Recotem vs LightFM vs implicit: Python レコメンダー選び

LightFM の代替を探しているとき、あるいは Python のレコメンドライブラリを 比較しているとき、最初に問うべきは「どのモデルが最良か」ではなく「パイプラインの どこまでを自分で持ちたいか」です。LightFM と implicit は優れたモデルライブラリ です。Recotem はモデルライブラリ（irspack）を、 データ読み込み・チューニング・配信 API でラップしたフレームワークです。このページ では両者の違いを公平に整理し、適切なツールを選べるようにします。

ライブラリ vs フレームワーク

ライブラリはモデルを提供します。import して、あらかじめ用意した 「ユーザー × アイテム」の疎行列を渡し、fit を呼べば、ユーザーに対してアイテムを スコアリングできるオブジェクトが得られます。その周辺 — データウェアハウスからの 抽出、アルゴリズムの選択とチューニング、評価、HTTP での予測公開 — は、すべて自分で 書いて運用するコードです。LightFM と implicit はこの意味でライブラリです。

フレームワークは周辺のパイプラインを提供します。Recotem は 1 つの YAML レシピ から全経路を実行します。ソースからデータを取得し、複数アルゴリズムのハイパーパラメータ 探索を行い、評価し、署名付きアーティファクトを生成します。付属サーバーはこれを ホットロードして POST /v1/recipes/{name}:recommend として配信します。モデル本体は irspack が担い、Recotem の役割はその両側にあるすべてです。

抽象的にどちらが「優れている」というものではありません。適切な選択は、どこまでの 配管を自分で作りたいかで決まります。

一覧比較

以下の表は、2 つのライブラリと、エンジンである irspack、そしてその上に構築された フレームワークである Recotem を比較したものです。メンテナンス状況は時とともに 変化するため 2026-07 時点として記載しています。

観点	LightFM	implicit	irspack	Recotem（irspack の上）
アルゴリズム	ハイブリッド行列分解（BPR / WARP / WARP-kOS / logistic 損失）。アイテム・ユーザーの副次特徴を利用可能	iALS、BPR、Logistic MF、item-item KNN（cosine / TF-IDF / BM25）	IALS、KNN、RP3beta、DenseSLIM、TruncatedSVD、BPRFM、Mult-VAE	irspack のアルゴリズムをレシピごとに選択（IALS、CosineKNN、TopPop、RP3beta、DenseSLIM、TruncatedSVD、BPRFM）
ハイパーパラメータ調整	自前で用意（Optuna、グリッドサーチなど）	自前で用意	モデルごとに Optuna 探索と早期停止プルーニングを内蔵	レシピ駆動の複数アルゴリズム Optuna 探索、アルゴリズム別の試行予算に対応
評価	precision_at_k、recall_at_k、auc_score、逆順位	ranking_metrics_at_k（precision、MAP、NDCG、AUC）	高速な C++/Eigen のランキング指標（NDCG、MAP、recall、hit、precision）	irspack の評価を利用し、レシピの metric で最良試行を選択
データ読み込み	疎行列を自分で構築	疎行列を自分で構築	疎行列を自分で構築	CSV / Parquet / BigQuery / SQL / プラグインをレシピで宣言
配信	なし（サービスは自作）	なし（サービスは自作）	なし（学習用ライブラリ）	FastAPI エンドポイント、HMAC 署名アーティファクト、認証、ホットスワップ、バッチ
GPU 高速化	CPU（Cython）	CPU + ALS/BPR に任意の CUDA カーネル	CPU（C++/Eigen）	CPU（C++/Eigen）
メンテナンス（2026-07 時点）	最新 1.17（2023-03）。リリース頻度は低いがアーカイブ済みではない	アクティブ。最新 v0.7.3（2026-05）	アクティブ。最新 v0.4.2（2026-05）	アクティブ（本プロジェクト）

LightFM

LightFM は Lyst 製のハイブリッド行列分解 ライブラリです。特徴は ID だけでなくユーザー・アイテムのメタデータ特徴の埋め込み を学習する点で、履歴の少ないユーザーやアイテムに対しても妥当な予測を返せる — コールドスタート問題への部分的な答えになります。BPR、WARP、WARP-kOS、logistic の 各損失をサポートし、小さな評価モジュールも同梱します。

2026-07 時点で最新リリースは 1.17（2023-03）で、その前が 1.16（2020-11）です。 リポジトリはアーカイブされておらず issue も受け付けていますが、リリース頻度は低い ため、活発に開発中というよりはメンテナンスモードの成熟した安定ライブラリと捉える のが適切です。副次特徴が問題の核心になるケースでは、LightFM は今も文書の充実した 有力な選択肢です。

補足として、irspack — したがって Recotem — は LightFM を直接利用できます。BPRFM アルゴリズムは LightFM の BPR/WARP 行列分解を irspack がラップしたものです。つまり Recotem を選んでも LightFM のモデルを手放すわけではなく、他のアルゴリズムと並べて 自動でチューニング・配信してもらえる、ということです。

implicit

implicit は暗黙的フィードバック向けの 高速な協調フィルタリングライブラリです。交互最小二乗法（iALS）、Bayesian Personalized Ranking、Logistic Matrix Factorization、item-item 近傍モデル （cosine、TF-IDF、BM25）を実装します。学習は Cython と OpenMP でマルチスレッド化 され、ALS/BPR には任意の CUDA GPU カーネルがあるため、大規模な行列にもよくスケール します。近似最近傍ライブラリ（Faiss、Annoy、NMSLIB）と連携して検索を高速化でき、 ranking_metrics_at_k の評価ヘルパも同梱します。

2026-07 時点でアクティブにメンテナンスされており、v0.7.3 が 2026-05 にリリースされ、 新しめの Python バージョンでのテストもされています。無駄のない高速なモデル部品が 欲しく、チューニング・評価・配信を自分で持つことを厭わないなら、implicit は 優れた選択肢です。とくに GPU 学習が重要な場合に向いています。

irspack: Recotem の内部エンジン

irspack は Recotem が構築の土台とする アルゴリズム・チューニング・評価のレイヤです。暗黙的フィードバック向けレコメンダー の一群（IALS、複数の KNN 変種、RP3beta、DenseSLIM、TruncatedSVD、BPRFM、Mult-VAE）を 高速な C++/Eigen で実装し、早期停止プルーニング付きの Optuna ベースのハイパーパラ メータ最適化、そして高速なランキング指標評価（NDCG、MAP、recall、hit）を提供します。 「万能なレコメンダーは存在しないので、複数アルゴリズムを試し、それぞれをチューニング し、検証指標で決める」という前提を核にしています。

irspack 自体はライブラリです。ウェアハウスからデータを取得することも、予測を配信 することもしません。IDMappedRecommender は生のユーザー・アイテム ID を内部インデックス に対応付け、実 ID で予測できるようにしますが、データソースや HTTP エンドポイントとの 接続は利用者に委ねられます。2026-07 時点で irspack はアクティブにメンテナンスされて います（v0.4.2、2026-05）。

Recotem の立ち位置: irspack の上で学習・調整・配信

Recotem の位置づけは明確です。ライブラリはモデルを与え、Recotem は irspack の上で 学習・チューニング・配信を与える、というものです。irspack をエンジンとして残し、 ライブラリが利用者に委ねる 3 つのレイヤを追加します。

1. レシピ形式。 1 つの YAML でデータソース、カラムマッピング、クレンジング規則、 試すアルゴリズムの一覧、チューニング予算、出力を宣言します。全フィールドは レシピリファレンス を参照してください。
2. レシピ駆動の探索。 モデルごとの Optuna チューニングは irspack が行い、Recotem は レシピの training.algorithms にわたる複数アルゴリズム探索を駆動し、アルゴリズム別 の試行予算を尊重し、レシピの metric で最良モデルを選びます。ハイパーパラメータの 範囲は irspack 側の各レコメンダーの既定値に由来します。
3. 配信 API。 勝ち残ったモデルは HMAC 署名付きアーティファクトに書き出され、 recotem serve がそれを検証して POST /v1/recipes/{name}:recommend（関連アイテム やバッチの各動詞も）として読み込みます。API キー認証とファイル mtime によるホット スワップにより、無停止で再学習できます。

最小のレシピでパイプライン全体を表現できます。

name: news_articles
source:
  type: csv
  path: ./interactions.csv
schema:
  user_column: user_id
  item_column: item_id
training:
  algorithms: [IALS, CosineKNN, TopPop]
  metric: ndcg
  n_trials: 40
output:
  path: ./artifacts/news_articles.recotem

recotem train recipe.yaml
recotem serve --recipes ./artifacts/

トレードオフは 1 画面に収まります。ライブラリならデータ読み込み、探索ループ、評価 ハーネス、モデルを囲む Web サービスを自分で書くことになりますが、Recotem ではそれらが 設定になります。

生のライブラリが適しているとき

Recotem は方針を持ったツールであり、すべてのプロジェクトに合うわけではありません。 次のような場合は LightFM や implicit を直接使うほうが向いています。

• モデルだけが欲しい。 学習パイプラインと配信スタックが既にあり、そこに差し込む 高速で検証済みのレコメンダーだけが必要な場合。
• Recotem が公開していないアルゴリズムや機能が必要。 LightFM の豊富な副次特徴の 埋め込みや、implicit の CUDA 高速化 ALS がまさに必要で、直接使って完全に制御したい 場合。
• モデルを研究・カスタマイズしたい。 ライブラリを直接使えば、サブクラス化や内部の 検査など、レシピのフィールドではできない実験ができます。
• 統合先がノートブックやバッチジョブであり、常時稼働の HTTP サービスではない場合。 Recotem の主要な価値である配信レイヤが使われないためです。

逆に、面倒に感じている作業が配管そのもの — BigQuery や SQL からのデータ取得、複数 アルゴリズムの公平な比較、認証付きでホットスワップ可能な予測 API の立ち上げ — であれば、 その配管こそ Recotem が irspack の上で提供するものです。

次のステップ

• レシピリファレンス — 学習・調整・配信を駆動する全 フィールド。
• ガイド — Recotem を導入し、最初のモデルを end-to-end で学習する。
• OSS レコメンドエンジン比較 — Gorse、RecBole、 Merlin と Recotem の比較。
• Recotem を学ぶ — 実際のレコメンダーを作るためのタスク志向ガイド。