基于邻域的协同过滤

栏目: 数据库 · 发布时间: 5年前

内容简介:此篇使用朴素的代码介绍基于邻域的协同过滤算法机制。为了使说明过程更清楚,这里使用自已编造的数据。每一行记录着某用户对某本书的评分,评分区间为1至5。现在根据加载进来的数据生成推荐系统中至关重要的用户物品关系矩阵。可以理解为数据库中的一张表,一本书为一列,一行对应一个用户,当用户看过某本书并进行评分后,在对应的位置填入分数,其他位置均置为0,表示尚未看过。

此篇使用朴素的代码介绍基于邻域的协同过滤算法机制。

为了使说明过程更清楚,这里使用自已编造的数据。每一行记录着某用户对某本书的评分,评分区间为1至5。

import pandas as pd

data_url = 'https://gist.githubusercontent.com/guerbai/3f4964350678c84d359e3536a08f6d3a/raw/f62f26d9ac24d434b1a0be3b5aec57c8a08e7741/user_book_ratings.txt'
df = pd.read_csv(data_url, 
            sep = ',',
            header = None,                   
            names = ['user_id', 'book_id', 'rating'])
复制代码
print (df.head())
print ('-----')
user_count = df['user_id'].unique().shape[0]
book_count = df['book_id'].unique().shape[0]
print ('user_count: ', user_count)
print ('book_count: ', book_count)
复制代码
user_id   book_id  rating
0  user_001  book_001       4
1  user_001  book_002       3
2  user_001  book_005       5
3  user_002  book_001       5
4  user_002  book_003       4
-----
user_count:  6
book_count:  6
复制代码

生成用户物品关系矩阵

现在根据加载进来的数据生成推荐系统中至关重要的用户物品关系矩阵。可以理解为数据库中的一张表,一本书为一列,一行对应一个用户,当用户看过某本书并进行评分后,在对应的位置填入分数,其他位置均置为0,表示尚未看过。

需要注意的是,矩阵取值要用下标表示,比如 matrix[2][2] 对应的是第三个用户对第三本书的评分情况,所以这里要做一个 user_id , book_id 到该矩阵坐标的对应关系,使用pandas的Series表示。

user_id_index_series = pd.Series(range(user_count), index=['user_001', 'user_002', 'user_003', 'user_004', 'user_005', 'user_006'])
book_id_index_series = pd.Series(range(book_count), index=['book_001', 'book_002', 'book_003', 'book_004', 'book_005', 'book_006'])
复制代码
import numpy as np

def construct_user_item_matrix(df):
    user_item_matrix = np.zeros((user_count, user_count), dtype=np.int8)
    for row in df.itertuples():
        user_id = row[1]
        book_id = row[2]
        rating = row[3]
        user_item_matrix[user_id_index_series[user_id], book_id_index_series[book_id]] = rating
    return user_item_matrix

user_book_matrix = construct_user_item_matrix(df)
print ('用户关系矩阵长这样:')
print ('-----')
print (user_book_matrix)
复制代码
用户关系矩阵长这样:
-----
[[4 3 0 0 5 0]
 [5 0 4 0 4 0]
 [4 0 5 3 4 0]
 [0 3 0 0 0 5]
 [0 4 0 0 0 4]
 [0 0 2 4 0 5]]
复制代码

计算相似度矩阵

所谓相似度,我们这里使用余弦相似度,其他的还有皮尔逊相关度、欧式距离、杰卡德相似度等,个中差别暂不细表。 计算公式为:

基于邻域的协同过滤

现在已经拿到了 user_book_matrix ,每个用户、每个物品都可以对应一个向量,比如 user_book_matrix[2] 为代表 user_003 的向量等于 [4, 0, 5, 3, 4, 0] ,而 user_book_matrix[:,2] 则代表了 book_003[0, 4, 5, 0, 0, 2]

这样基于用户和基于物品便分别可以计算出用户相似度矩阵与物品相似度矩阵。

以用户相似度矩阵为例,计算后会得到一个形状为(user_count, user_count)的矩阵,比如 user_similarity_matrix[2][3] 的值为0.5,则表示 user_002user_003 的余弦相似度为0.5。 此矩阵为对称矩阵,相应地, user_similarity_matrix[3][2] 亦为0.5,而用户与自己自然是最相似的,遂有 user_similarity_matrix[n][n] 总是等于1。

def cosine_similarity(vec1, vec2):
    return round(vec1.dot(vec2)/(np.linalg.norm(vec1)*np.linalg.norm(vec2)), 2)


def construct_similarity_matrix(user_item_matrix, dim='user'):
    if dim == 'user':
        similarity_matrix = np.zeros((user_count, user_count))
        count = user_count
    else:
        similarity_matrix = np.zeros((book_count, book_count))
        count = book_count
    get_vector = lambda i: user_item_matrix[i] if dim == 'user' else user_item_matrix[:,i]
    for i in range(user_count):
        i_vector = get_vector(i)
        similarity_matrix[i][i] = cosine_similarity(i_vector, i_vector)
        for j in range(i, count):
            j_vector = get_vector(j)
            similarity = cosine_similarity(i_vector, j_vector)
            similarity_matrix[i][j] = similarity
            similarity_matrix[j][i] = similarity
    return similarity_matrix

user_similarity_matrix = construct_similarity_matrix(user_book_matrix)
book_similarity_matrix = construct_similarity_matrix(user_book_matrix, dim='book')
print ('user_similarity_matrix:')
print (user_similarity_matrix)
print ('book_similarity_matrix:')
print (book_similarity_matrix)
复制代码
user_similarity_matrix:
[[1.   0.75 0.63 0.22 0.3  0.  ]
 [0.75 1.   0.91 0.   0.   0.16]
 [0.63 0.91 1.   0.   0.   0.4 ]
 [0.22 0.   0.   1.   0.97 0.64]
 [0.3  0.   0.   0.97 1.   0.53]
 [0.   0.16 0.4  0.64 0.53 1.  ]]
book_similarity_matrix:
[[1.   0.27 0.79 0.32 0.98 0.  ]
 [0.27 1.   0.   0.   0.34 0.65]
 [0.79 0.   1.   0.69 0.71 0.18]
 [0.32 0.   0.69 1.   0.32 0.49]
 [0.98 0.34 0.71 0.32 1.   0.  ]
 [0.   0.65 0.18 0.49 0.   1.  ]]
复制代码

推荐

有了相似度矩阵,可以开始进行推荐。

首先可以为用户推荐与其品味相同的用户列表,这在知乎、豆瓣、网易云音乐这样具有社交属性的产品中很有意义。

做法很简单,要为用户A推荐K位品味相似的用户(此处K取3),则将 user_similarity_matrix 中关于A的那一行的值 排序 从最高往下取出K位即可。

def recommend_similar_users(user_id, n=3):
    user_index = user_id_index_series[user_id]
    similar_users_index = pd.Series(user_similarity_matrix[user_index]).drop(index=user_index).sort_values(ascending=False).index[:n]
    return np.array(similar_users_index)

print ('recommend user_indexes %s to user_001' % recommend_similar_users('user_001'))
复制代码
recommend user_indexes [1 2 4] to user_001
复制代码

同时在物品维度,类似的推荐也是很有用的,比如QQ音乐给用户正在听的音乐推荐相似的歌曲,还有亚马逊中对用户刚购买的物品推荐相似的物品。

代码与推荐相似用户相同,无需做其他处理。

def recommend_similar_items(item_id, n=3):
    item_index = book_id_index_series[item_id]
    similar_item_index = pd.Series(book_similarity_matrix[item_index]).drop(index=item_index).sort_values(ascending=False).index[:n]
    return np.array(similar_item_index)
    
print ('recommend item_indexes %s to book_001' % recommend_similar_items('book_001'))
复制代码
recommend item_indexes [4 2 3] to book_001
复制代码

接下来是为用户推荐书籍,首先选出与该用户最相似的K个用户,然后找出这K个用户评过分的书籍的集合,再去掉该用户已经评过分的部分。 在剩下的书籍中,根据下面的公式,计算出该用户为某书籍的预计评分,将评分从高到低排序输出即可。

基于邻域的协同过滤
def recommend_item_to_user(user_id):
    user_index = user_id_index_series[user_id]
    similar_users = recommend_similar_users(user_id, 2)
    recommend_set = set()
    for similar_user in similar_users:
        recommend_set = recommend_set.union(np.nonzero(user_book_matrix[similar_user])[0])
    recommend_set = recommend_set.difference(np.nonzero(user_book_matrix[user_index])[0])
    predict = pd.Series([0.0]*len(recommend_set), index=list(recommend_set))
    for book_index in recommend_set:
        fenzi = 0
        fenmu = 0
        for j in similar_users:
            if user_book_matrix[j][book_index] == 0:
                continue # 相似用户未看过该书则不计入统计.
            fenzi += user_book_matrix[j][book_index] * user_similarity_matrix[j][user_index]
            fenmu += user_similarity_matrix[j][user_index]
        if fenmu == 0:
            continue
        predict[book_index] = round(fenzi/fenmu, 2)
    return predict.sort_values(ascending=False)
            

recommend_item_to_user('user_005')
复制代码
3    4.0
2    2.0
dtype: float64
复制代码

以上是利用用户相似度矩阵来为用户推荐物品,同样也可以反过来为利用物品相似度矩阵来为用户推荐书籍。

做法是,找出该用户读过的所有书,为每本书找出两本与该书最相似的书籍,将找出来的所有书去掉用户已读过的,然后为书籍预测被用户评分的分值。

这里的确有些绕,容易与上文缠在一起搞乱掉,遂举例如下:

比如 user_001 读过书 book_001 , book_002book_005 ,找到的书籍集合再去掉用户已读过的结果为 {'book_003', 'book_006'} ,要为 book_003 预测分数,需要注意到它同时被 book_001book_005 找出,要根据它们、用户对 book_001book_005 的评分以及相似度套用至上文公式,来得出对 book_003 的分数为: (4*0.79+5*0.71)/(0.79+0.71)=4.47

则基于物品为用户推荐物品的函数为:

def recommend_item_to_user_ib(user_id):
    user_index = user_id_index_series[user_id]
    user_read_books = np.nonzero(user_book_matrix[user_index])[0]
    book_set = set()
    book_relation = dict()
    for book in user_read_books:
        relative_books = recommend_similar_items(book, 2)
        book_set = book_set.union(relative_books)
        book_relation[book] = relative_books
    book_set = book_set.difference(user_read_books)
    predict = pd.Series([0.0]*len(book_set), index=list(book_set))
    for book in book_set:
        fenzi = 0
        fenmu = 0
        for similar_book, relative_books in book_relation.items():
            if book in relative_books:
                fenzi += book_similarity_matrix[book][similar_book] * user_book_matrix[user_index][similar_book]
                fenmu += book_similarity_matrix[book][similar_book]
        predict[book] = round(fenzi/fenmu, 2)
    return predict.sort_values(ascending=False)

recommend_item_to_user_ib('user_001')
复制代码
2    4.47
5    3.00
dtype: float64
复制代码

总结

以上是基于领域的协同过滤的运作机制介绍,只用了两个简单的数学公式,加上各种代码处理,便可以为用户做出一些推荐。

就给用户推荐物品而言,基于用户与基于物品各有特点。

基于用户给出的推荐结果,更依赖于当前用户相近的用户群体的社会化行为,考虑到计算代价,它适合于用户数较少的情况,同时,对于新加入的物品的冷启动问题比较友好,然而相对于物品的相似性,根据用户之间的相似性做出的推荐的解释性是比较弱的,实时性方面,用户新的行为不一定会导致结果的变化。 基于物品给出的推荐结果,更侧重于用户自身的个体行为,适用于物品数较少的情况,对长尾物品的发掘好于基于用户,同时,新加入的用户可以很快得到推荐,并且物品之间的关联性更易懂,是更易于解释的,而且用户新的行为一定能导致结果的变化。

显然,基于物品总体上要优于基于用户,历史上,也的确是基于用户先被发明出来,之后Amazon发明了基于物品的算法,现在基于用户的产品已经比较少了。

参考


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

Django企业开发实战

Django企业开发实战

胡阳 / 人民邮电出版社 / 2019-2 / 99.00元

本书以博客系统贯穿始末,介绍了Django的方方面面。书中共分四部分,第一部分介绍了正式进入编码之前的准备工作,内容包括需求分析、基础知识和Demo系统的开发;第二部分开始实现需求,内容涉及环境配置、编码规范以及项目结构规划,编写了Model层、admin页面、Form代码和View逻辑,引入了Bootstrap框架;第三部分重点介绍xadmin、django-autocomple-light和d......一起来看看 《Django企业开发实战》 这本书的介绍吧!

图片转BASE64编码
图片转BASE64编码

在线图片转Base64编码工具

随机密码生成器
随机密码生成器

多种字符组合密码

RGB HSV 转换
RGB HSV 转换

RGB HSV 互转工具