Recommendation Model using Milvus vector db

タイトル：Dockerを使用したMilvus Vectorデータベースを使用した推奨モデル

Vectorデータベースについては、https：//zilliz.com/authors/samin_chandeepaをご覧ください

概要

このリポジトリには、Dockerで展開された高次元ベクトルを効率的に保存および検索するように設計されたベクトルデータベースであるMilvusを使用した推奨モデルの実装が含まれています。推奨モデルは、Milvusの機能を活用して高速な類似性検索を実行し、ユーザーの設定またはアイテム属性に基づいて同様のアイテムの効率的な取得を可能にします。

特徴

• Milvusを利用して、高次元ベクトルの効率的な保管と検索を行います。
• パーソナライズされた推奨事項の推奨アルゴリズムを実装します。
• ユーザーベースとアイテムベースの推奨戦略の両方をサポートします。
• 推奨モデルを既存のアプリケーションに統合するための使いやすいAPIを提供します。
• 大規模なデータセットとユーザーベースを処理するためのスケーラビリティをサポートします。
• 簡単なセットアップと管理のためのDockerized Deployment。

インストール

1. このリポジトリをクローンします：

   git clone https://github.com/HGSChandeepa/recommendation-model-milvus.git

2. プロジェクトディレクトリに移動します。

    cd recommendation-model-milvus

3. Dockerコンテナを構築して実行します。

   docker-compose up --build

使用法

1. データセットを準備し、好みの方法を使用してアイテムまたはユーザーの埋め込みを生成します。

2. milvusインスタンスを構成します：

   • milvusサーバーを設定し、 config.pyで接続パラメーターを構成します。

3. 埋め込みをMilvusにロードします。

   • 提供されたスクリプトを使用するか、ベクトルをMilvusにロードするために独自のスクリプトを実装します。

4. 推奨モデルの初期化：

   • 提供されたクラスを使用するか、独自の推奨ロジックを実装します。

5. 推奨モデルと対話します。

   • 提供されたAPIを使用して、ユーザーの設定またはアイテム属性に基づいて推奨事項を取得します。

例

サンプルデータセットで推奨モデルを使用する方法のデモンストレーションについては、提供されたJupyterノートブック（ examples/ ）をご覧ください。

貢献

貢献は大歓迎です！改善のためのアイデアがある場合や問題を見つけた場合は、問題を開いたり、プルリクエストを送信したりしてください。

ライセンス

このプロジェクトは、MITライセンスの下でライセンスされています。

謝辞

• 効率的なベクトルデータベースソリューションを提供してくれたMilvusの作成者に感謝します。
• このプロジェクトは、さまざまな推奨システムと図書館に触発されました。

接触

質問やお問い合わせについては、[email protected]にお気軽にお問い合わせください。

お勧めです！