Surprise，是scikit系列中的一個推薦系統算法庫。
官網：http://surpriselib.com/；Conda指令：https://anaconda.org/nicolashug/scikit-surprise
文檔：http://surprise.readthedocs.io/en/stable/
一、基本子產品
1. 推薦算法分類
可分為基于使用者行為的推薦算法和基于内容（物品屬性）的推薦算法。
基于使用者行為資料的推薦算法一般稱為協同過濾算法，主要方法有基于鄰域的方法（neighborhood-based）、隐語義模型（latent factor model，LFM）、基于圖的随機遊走算法（random walk on graph）等。
在業界得到最廣泛應用的算法是基于鄰域的方法，主要包含下面兩種算法：基于使用者的協同過濾算法 UserCF，給使用者推薦和他興趣相似的其他使用者喜歡的物品；基于物品的協同過濾算法 ItemCF，給使用者推薦和他之前喜歡的物品相似的物品。
2. 基于鄰域的CF算法的可設定度量準則，surprise.similarities 子產品
餘弦相似度 cosine、均方差相似度 msd、皮爾遜相關系數 pearson、基線皮爾遜相關系數 pearson_baseline。
3. 評價名額子產品，surprise.accuracy
均方根誤差 rmse、平均絕對誤差 mae、fcp。
4. 資料集 surprise.dataset 子產品
包含了 movielens-100k、movielens-1m、Jester 資料集。還可讀取 pandas.DataFrame 格式及其他檔案格式的資料集。
5. surprise.model_selection 子產品
提供了用于交叉驗證所需要的資料集切分、自動CV、網格搜尋 GridSearchCV 等。
二、實作推薦算法
1. surprise.prediction_algorithms.algo_base
該子產品定義了 類AlgoBase，每個單獨的預測算法都繼承自該類。
2. surprise.prediction_algorithms.predictions，定義了預測結果類。
3. Basic algorithms 基本算法
（1）prediction_algorithms.random_pred.NormalPredictor
從訓練集估計得到一個正态分布（均值和标準差），基于該正态分布進行随機預測。
（2）prediction_algorithms.baseline_only.BaselineOnly
4. k-NN inspired algorithms kNN算法
（1）prediction_algorithms.knns.KNNBasic，即基本的協同過濾算法。
- k，kNN 算法中的 k 參數；
- min_k，需考慮的最小鄰居數，當鄰居數不足時，使用全局平均進行預測；
- sim_options，該參數接收一個 dict，如
- sim_options = {'name': 'cosine',
'user_based': False # compute similarities between items}
（2）prediction_algorithms.knns.KNNWithMeans，考慮了每個使用者的平均打分值。
（3）prediction_algorithms.knns.KNNWithZScore，考慮了每個使用者的 z-score 标準化。
（4）prediction_algorithms.knns.KNNBaseline，包含可學習參數，可使用 SGD 和 ALS 算法進行參數估計。推薦使用 pearson_baseline 度量方式。
- bsl_options，接收一個 dict，說明配置資訊。
- bsl_options = {'method': 'sgd', 'learning_rate': .00005, }
5. Matrix Factorization-based algorithms
SVD、RSVD、ASVD、SVD++詳解
（1）prediction_algorithms.matrix_factorization.SVD
（2）prediction_algorithms.matrix_factorization.SVDpp
引入隐式回報，可以是打分動作（誰對某個商品打過分），或者是浏覽記錄等，隐式回饋的原因比較複雜，專門用一部分參數空間去模組化，每個 item 對應一個向量 yi ，通過 user 隐含回饋過的 item 的集合來刻畫使用者的偏好。
（3）prediction_algorithms.matrix_factorization.NMF
NMF 非負矩陣分解，與 SVD 算法類似，使用者和物品因子都必須是正值。
6. prediction_algorithms.slope_one.SlopeOne
通過計算物品之間的平均差異來進行預測。
7. prediction_algorithms.co_clustering.CoClustering