Qdrant推荐端点使用示例、多正负样本提交及推荐系统框架咨询

一、Qdrant推荐端点使用示例 #

Python客户端示例（使用qdrant-client） #

from qdrant_client import QdrantClient
from qdrant_client.http.models import PointId

# 初始化Qdrant客户端
client = QdrantClient("localhost", port=6333)

# 发起基础推荐请求
recommendation_response = client.recommend(
    collection_name="your_target_collection",
    positive=[PointId(id=1), PointId(id=3)],  # 关联正样本的点ID
    negative=[PointId(id=5)],  # 需要排除的负样本点ID
    limit=10,  # 期望返回的推荐结果数量
    with_vectors=False  # 按需设置是否返回向量数据
)

print("推荐结果列表:", recommendation_response)

HTTP API示例（curl命令） #

curl -X POST 'http://localhost:6333/collections/your_target_collection/recommend' \
-H 'Content-Type: application/json' \
-d '{
    "positive": [{"id": 1}, {"id": 3}],
    "negative": [{"id": 5}],
    "limit": 10,
    "with_vectors": false
}'

二、提交多组正负样本的方法 #

Qdrant推荐端点原生支持多组正负样本，只需在对应参数的数组中添加更多元素即可：

多组正负样本（点ID版）Python示例 #

recommendation_response = client.recommend(
    collection_name="your_target_collection",
    positive=[
        PointId(id=1),
        PointId(id=3),
        PointId(id=7)  # 追加更多正样本点ID
    ],
    negative=[
        PointId(id=5),
        PointId(id=9)  # 追加更多负样本点ID
    ],
    limit=10
)

多组正负样本（向量版）Python示例 #

如果无需依赖已存在的点，可直接传入多组向量：

recommendation_response = client.recommend(
    collection_name="your_target_collection",
    positive_vectors=[
        [0.1, 0.2, 0.3],
        [0.4, 0.5, 0.6]  # 第二组正样本向量
    ],
    negative_vectors=[
        [0.7, 0.8, 0.9],
        [0.2, 0.3, 0.4]  # 第二组负样本向量
    ],
    limit=10
)

三、推荐系统构建常用框架 #

以下是覆盖不同场景的成熟推荐系统框架：

• Surprise：轻量级Python库，专注协同过滤算法，支持SVD、KNN等经典模型，适合快速原型验证。
• LightFM：混合推荐模型框架，融合协同过滤与内容推荐，支持显式/隐式反馈，对冷启动问题处理友好。
• TensorFlow Recommenders (TFRS)：TensorFlow生态下的深度学习推荐框架，支持构建复杂个性化模型，适配大规模生产环境。
• PyTorchRec：PyTorch生态的推荐系统库，提供预训练模型与高效训练组件，适合深度学习定制化开发。
• RecSysLib：模块化推荐工具库，包含多种算法与评估模块，支持灵活定制推荐逻辑。

内容的提问来源于stack exchange，提问作者SushantPatade