推荐系统之路 (2)：产品聚类

在上一篇文章中，我大致介绍了推荐系统，但卡在了矩阵系统的性能这一块。所以本文将继续上一篇，一个个找出每个没有执行的变量，并尝试修复它们。

现在，我们继续从上次中断的地方开始吧！

「疼痛识别」：发现问题

正如上一篇文章中所提到的，我们要面对的问题之一是：交互矩阵太大，很难衡量或计算。这是因为不同商店中会有相同或者相似的产品，所以我们收集的大量数据中包含重复的信息。

也就是说，如果你卖耳机，而你的三个竞争对手也卖相同品牌的耳机，那你的矩阵中会有很多重复的信息，而这无疑会拖慢你的工作速度。

所以本文的目的是：实现相同或相似产品的跨商店识别。

「走个过场」：融合信息

我们将会使用数据集提供的产品信息（即产品编码、产品名称、产品 URL 和产品价格）来确定产品的相似度。然而，现在每个商店都会用内部系统来追踪产品。因此，对每个商店来说，产品编码都是独一无二的。

更郁闷的是，产品价格我们也用不上，因为每个商店的产品价格也不同。产品 URL 倒是个不错的信息来源，如果我们可以构建 Web Scraper 来从网页上获取数据的话。但是，由于网页的「非结构化」，我们没办法构建适用于每个网页的 Web Scraper。

因此，我们能用的选项只剩一个了：产品名。

「做好准备」：文本预处理

文本预处理是指文本在馈送至算法前必须经历的所有调整。因为文本本身会有很多不需要的符号，或者一些特殊的结构，所以预处理需要做的就是整理文本，并用数值编码文本内容。

文本聚类预处理步骤

我们要对数据进行以下预处理过程：

• 首先，我们确认产品的品牌并将其从产品名中剔除，这样我们得到的就是单纯的产品名了。

• 然后，我们分离产品名中描述颜色的单词，以便减少数据噪声。此时，我们就可以根据颜色给产品分类。例如，我们想创建这两个类别：「黑色匡威全明星鞋 10」和「白色匡威全明星鞋 10.5」。

• 接下来，我们分离产品名中的数字和度量单位（如果有的话），因为我们想把非常相似的产品归到一类中去，比如「Cola 330ml」和「Cola 500ml」。

• 最后，我们对单词进行词干处理。也就是说，分离单词的后缀，以找出共同的词根，并完全去停用词。

• 为了将产品名输入至算法中，我们要把数据转换为向量。为此，我们使用 2 个不同的向量器：CountVectorizer 和* *tf-idf Vectorizer。前者用 {0,1} 创建二元向量，后者根据单词在所有向量中的频率为每个单词分配一个权重。在这里，我们用这两个向量器来找出对我们更有效的向量。

下一步：文本聚类

什么是文本聚类？

文本聚类是在无标签数据中生成分组的过程，很多网站的「同类」新闻就是通过文本聚类完成的。在大多数聚类技术中，分组（或集群）数量是由用户预定义的。但在本文中，分组数量必须动态变化。

我们的聚类可以包含单个产品，也可以包含 10 个或更多产品；这个数量要取决于我们找到的相似产品的数量。

前面所述的需求令我们锁定了 DBSCAN 聚类。DBSCAN 是一种基于密度的算法，它依赖于向量相互之间的距离，以创建分组。

DBSCAN 生成的分组：

为什么 DBSCAN 无法正确地聚类数据？

产品名一般都很短（1~5 个单词）。但是，我们创建的向量很庞大，因为数据中每个单独的词最终组成了整个词汇表。词汇表的大小即向量的长度，所以我们相当于丢失了所有信息。

像 PCA 和 SVD 这样的降维技术也没办法解决这个问题，因为转换矩阵的每一列都代表一个单词。因此，当你删除一些列时，也删除了很多产品。

由于我们现有的解决方案无法正常工作，所以，我们决定构建自定义的聚类过程，以找到解决问题的办法。

打破舒适圈：训练向量器

当你训练向量器（vectorizer）时，它会学习给定句子中包含的单词。

例如，给定「Nike Capri Shoes」，向量器只学习这三个单词。这意味着当你转换其它产品时，除了那些包含一个单词或所有单词的产品外，其它产品的向量都会为 0。

为了找出 2 个向量之间的相似性，我们用欧几里得距离来进行衡量。如果 2 个产品被归为 1 类，且距离要高于我们的阈值，我们就称生成的组为 category。

想象一下，我们的数据就像一大桶产品。category 很有用，因为它们创建了更小的桶来包含相关数据，而我们可以处理这种规模的数据。

现在，我们用更高的阈值再次运行同样的过程，然后为每个「小桶」创建 Subcategory。Subcategory 是我们将使用的最小组别。

换挡：提高处理速度的技巧

整个聚类过程有些费时。为了节约时间，我们将仔细检查所有的文本预处理步骤，向量化除外。

之后，我们根据产品名包含的单词数量对数据进行分类，所以只含有 1 个单词的产品名将排在列表最上面，而包含最多单词的则在排在最后。

我们的分组中大部分都是包含 1 个单词的产品名，这减少了我们需要处理的数据量。

OK，功成身退！

下一篇文章中，我们将继续利用从产品中提取的任何信息。尽请期待……