zhenghaoz/gorse-master Docker 镜像 - 轩辕镜像

Gorse推荐系统引擎

镜像概述和主要用途

Gorse是一个用Go编写的开源推荐系统，目标是成为通用的开源推荐引擎，可快速集成到各类在线服务中。通过导入物品、用户和交互数据，系统会自动训练模型为每个用户生成推荐，无需深入开发推荐算法即可为在线服务添加推荐功能。

核心功能和特性

• 多源推荐：从热门、最新、基于用户、基于物品和协同过滤等多来源推荐物品。
• AutoML：在后台自动搜索最佳推荐模型，无需人工干预模型选择和调优。
• 分布式预测：支持单节点训练后，在推荐阶段进行水平扩展，提升推荐服务吞吐量。
• RESTful APIs：提供数据CRUD（创建、读取、更新、删除）和推荐请求的RESTful API接口，便于系统集成。
• 在线评估：通过最近插入的用户反馈数据，实时分析在线推荐性能。
• 可视化仪表盘：提供GUI界面，支持数据管理、系统监控和集群状态检查。

使用场景和适用范围

Gorse适用于需要快速引入推荐功能的各类在线服务，包括但不限于：

• 电商平台：商品推荐（如"猜你喜欢"）
• 内容平台：文章、视频、音乐等内容推荐
• 社交媒体：用户关注、帖子推荐
• 在线教育：课程、学习资源推荐

任何需要推荐系统但希望避免从零开发的场景，均可通过Gorse快速实现推荐功能。

使用方法和配置说明

快速启动

为初学者提供playground模式，可通过以下命令快速搭建GitHub仓库推荐系统演示环境：

Linux/macOS系统：

bash
curl -fsSL [***] | bash

Docker部署：

bash
docker run -p 8088:8088 zhenghaoz/gorse-in-one --playground

说明：

• 该命令启动playground模式，自动从GitRec下载演示数据并导入Gorse。
• 启动后，可通过http://localhost:8088访问系统仪表盘，查看数据和系统状态。

数据交互与推荐获取示例

1. 插入用户反馈数据

以下示例向系统插入用户"bob"（前端开发者）对多个前端仓库的"star"交互数据：

bash
read -d '' JSON << EOF
[
    { "FeedbackType": "star", "UserId": "bob", "ItemId": "vuejs:vue", "Timestamp": "2022-02-24" },
    { "FeedbackType": "star", "UserId": "bob", "ItemId": "d3:d3", "Timestamp": "2022-02-25" },
    { "FeedbackType": "star", "UserId": "bob", "ItemId": "dogfalo:materialize", "Timestamp": "2022-02-26" },
    { "FeedbackType": "star", "UserId": "bob", "ItemId": "mozilla:pdf.js", "Timestamp": "2022-02-27" },
    { "FeedbackType": "star", "UserId": "bob", "ItemId": "moment:moment", "Timestamp": "2022-02-28" }
]
EOF

curl -X POST [***] \
   -H 'Content-Type: application/json' \
   -d "$JSON"

2. 获取用户推荐结果

插入数据后，通过以下命令获取用户"bob"的10个推荐物品：

bash
curl [***]

json
[
 "mbostock:d3",
 "nt1m:material-framework",
 "mdbootstrap:vue-bootstrap-with-material-design",
 "justice47:f2-vue",
 "10clouds:cyclejs-cookie",
 "academicpages:academicpages.github.io",
 "accenture:alexia",
 "addyosmani:tmi",
 "1wheel:d3-starterkit",
 "acdlite:redux-promise"
]

实际输出可能与示例不同，因playground数据集会随时间更新。

更多资源

• 官方文档：[***]
• 官方演示：[***]
• 社区支持：*** 或 GitHub Discussion

系统架构

Gorse采用单节点训练、分布式预测架构，数据存储支持MySQL、MongoDB、Postgres或ClickHouse，中间结果可缓存于Redis、MySQL、MongoDB或Postgres。

集群组成与职责

1. 主节点（Master）：负责模型训练、非个性化物品推荐、配置管理和集群成员管理。
2. 服务节点（Server）：暴露RESTful API接口，处理在线实时推荐请求。
3. 工作节点（Worker）：为每个用户生成离线推荐结果。

管理员可通过主节点上的仪表盘进行系统监控、数据导入导出和集群状态检查。