如何使用LightFM为仅持有评分数据的新用户生成推荐

你遇到的ValueError核心原因是predict()和predict_rank()方法仅支持处理训练交互矩阵中已存在的用户ID，未收录的新用户没有预计算好的嵌入向量，无法直接调用原生接口。可按照以下步骤实现：

• 构造新用户嵌入向量
  新用户嵌入可以通过其已交互物品的嵌入加权平均得到，权重使用用户给出的评分即可，也可以根据业务调整权重逻辑（比如仅取评分>3的正反馈物品计算平均）。参考代码：

import numpy as np

# 从训练好的模型中取出物品嵌入、物品偏置
item_embeddings = model.item_embeddings.weight.detach().numpy()
item_biases = model.item_biases.weight.detach().numpy()

# 处理新用户的<book_id, 评分>配对数据
rated_book_ids = [pair[0] for pair in new_user_ratings]
ratings = np.array([pair[1] for pair in new_user_ratings])

# 归一化权重，这里用评分减去全局平均评分做示例，可自行调整逻辑
normalized_weights = ratings - ratings.mean()

# 加权平均得到新用户嵌入
new_user_emb = np.dot(normalized_weights, item_embeddings[rated_book_ids]) / len(rated_book_ids)

• 计算全量物品推荐得分
  直接按照LightFM的预测逻辑自行计算得分，不需要调用原生predict接口：

# 得分计算公式：用户嵌入 · 物品嵌入 + 物品偏置
all_item_scores = np.dot(item_embeddings, new_user_emb) + item_biases.flatten()

• 过滤排序得到推荐结果
  过滤掉新用户已经评分过的书籍，按得分倒序取TopN即可：

# 过滤已评分物品
mask = np.ones(all_item_scores.shape[0], dtype=bool)
mask[rated_book_ids] = False
filtered_scores = all_item_scores[mask]
candidate_book_ids = np.arange(all_item_scores.shape[0])[mask]

# 取Top10推荐
top10_book_ids = candidate_book_ids[np.argsort(-filtered_scores)[:10]]

若你训练模型时使用了用户特征矩阵，也可以直接构造新用户的特征向量，调用get_user_representations()方法直接获取嵌入，无需手动加权计算：

new_user_emb, _ = model.get_user_representations(features=new_user_feature_vec)

内容的提问来源于stack exchange，提问作者Serious