基于协同过滤的推荐引擎(实战部分)

时隔十日,终于决心把它写出来。大多数实验都是3.29日做的,结合3.29日写的日记完成了这篇实战。

01

数据集准备

数据集使用上篇提到的Movielens电影评分数据(https://grouplens.org/datasets/movielens/)里的ml-latest-small数据集,下载完成后有下面四个csv文件。

ml-latest-small.png

我们这里只需要ratings.csv就够了,打开以后会发现长这样:

ratings-head.png

是的,它果然和数据库里的没两样,上篇我们介绍的一般评分估计也好,神奇的SVD评分估计也好,前提都是有一个长成下面这样的物品-用户矩阵

电影_用户矩阵.png

然后提出其中的两列,传给评分估计函数,但是真实的数据都长ratings.csv那样,果然童话里都是骗人的,在实际问题里,数据就是第一个拦路虎,难道要构建上述矩阵?这个代价好高,对python不熟悉是硬伤,100004条数据,根本经不起遍历,随便遍历一下算法复杂度就上来了,即使组好了矩阵,也稀疏可怕,一下子打乱了我先用一般评分估计函数做推荐,再用SVD评分估计函数做推荐,然后对比的计划T.T,没有矩阵,就用不上SVD的优势,真的,童话里都是骗人的……不过没关系,办法总比困难多。

02

数据处理

数据读取

先把数据读到内存中来,看看规模等等。

import pandas as pd in_file = '/Users/liukaixin/MachineLearning/dataset/ml-latest-small/ratings.csv' full_data = pd.read_csv(in_file) print(full_data.head()) # 打表的前五行 print(len(full_data)) # 看看数据总条数

full_data_head.png

添加预测列

我们总要找一个算法评价标准,不研究那么深入,就简单化为看预测的评分跟真实评分差多少好了。那么首先要做的处理就是添加一列预测列,这一列里我们将rating列复制出一列,叫predict_rating,部分rating置零,当作要预测的评分,我们的程序就计算为零的rating,然后对比predict_rating和rating的差距。

这是又一个拦路虎,自认为比较理想的是每个都有1/3的predict_rating是0,用来做预测,想到下面个plan:

1、excel复制rating,粘贴,重命名为predict_rating,看数据发现相同userId都在一起,所以挑着每个userId的数据1/3置0。

一开始我真的这样做了,复制粘贴重命名很快,置0是个问题,我傻乎乎置到第200条的时候发现我忘了一共有十万条数据,鼠标滚珠换坏了估计都置不完,笨办法果然不行,还得用程序。

2、遍历十万条数据,读的时候记录userId,同时累加计数器,userId改变的时候,计数器的数量除以3取整,得到要置零的数量,然后再把这个userId的1/3置零。

这是我第二个想到的方法,但是一算,第一层for循环100004条,第二个for循环取决于当前userId的数量,好像有670多个用户,一人不低于20条数据,这个O(n^2)的算法效率极低,如果取1/3置零是随机的,再加一个随机数产生,速度可想而知(我试过,4s多),不可取。

3、找出所有userId变化的点的下标,再遍历这些点,直接将两个下标之间的1/3数据置零。

绞尽脑汁想出这样一个办法,变化点的数量肯定远小于十万,经测试670个变化点,第一层for循环670,第二层for循环有两个变化点之间的数据乘以1/3次,效率明显提高。开始我测试了一下两个变化点之间的数据随机1/3置0,发现很慢很慢,于是退而求其次,不要随机数了,就前1/3置0吧。

import time real_rating = full_data['rating'] # 原rating predict_rating = np.array(full_data['rating']) # 复制的要1/3置零的rating # 获得userId改变点的下标函数 def get_change_index_points(full_dataframe, key): return np.array(full_dataframe.drop_duplicates([key]).index) start = time.clock() points = get_change_index_points(full_data, 'userId') end = time.clock() print "run time: %f s" % (end - start) print(len(points))

运行时间及改变点数组的长度.png

full_dataframe.drop_duplicates([key])函数的意思是根据key去重,这个算法是dataframe优化过的,速度很快,得到的还是dataframe,只要取index,转成array就是我们想要的了。接下来写1/3置零的函数。

# 预测列置0,zero_percent是前百分之多少置0 def change_predict_data(predict_data, zero_percent): last = 0 for i in points: num = int((i-last) * zero_percent) for j in range(0, num): predict_data[last + j] = 0 last = i return predict_data import time start = time.clock() predict_rating = change_predict_data(predict_rating, 0.3) end = time.clock() print "run time: %f s" % (end - start) # run time: 0.031788 s full_data.insert(4,'predict_rating',predict_rating) print(full_data[:20])

添加置0的预测列后的dataframe.png

到这里,数据终于准备完了。

03

获得要比较的两个列向量

构建不了矩阵,就不构建了,想想评分估计函数的原理,不就是两个rating的列向量么,两个列向量的行对应的是同一个电影,上篇中用了很复杂的逻辑取出矩阵中都不为零的两列,我们也要保证两列中rating都没有0,也就是只取两个人都看过的电影的评分。用pandas从csv读出来是个DataFrame,可以很方便索引,和sql似的,尽管数据量大,但是它做了优化,效率肯定比自己写个for高。

获得要比较的两个列向量的思路是:从原DataFrame中根据要预测评分的电影的movie id查出所有数据,再遍历每一条数据,如果rating是0则跳过,否则看看该rating是哪个用户打得分,看看这个用户有没有也给我们要对照的那个电影打过分,如果有就同时把这两个rating分别加入预测列的rating和对照列的rating中,没有就两个都不加入,这样就实现了和“取出电影-用户矩阵中都不为零的两列”同样的效果。

# full_data:原DataFrame # mov_id:要预测的movie id # ref_mov_id:对照的movie id # 返回值colA是要预测的列的rating,colB是对照列的rating,由于评分预测接受的传值是矩阵的列向量,所以转成矩阵 def get_colA_and_colB(full_data, mov_id, ref_mov_id): colA = [] colB = [] movies = full_data[full_data['movieId'] == mov_id] # 相当于sql查询movie id是mov_id的所有数据,所以得到的是一个DataFrame for i, movie in movies.iterrows(): # 遍历要预测的电影 if movie['predict_rating'] == 0.0: # 去掉没打分的电影 continue user_id = movie['userId'] # 找打过分的记录,看是谁打的分 comp_user_movies = full_data[full_data['userId'] == user_id] # 找到打过分的用户的所有电影 rating = [] for i, mov in comp_user_movies.iterrows(): # 遍历电影,看他是否也看过要预测的电影,如果看过,则把打分加入colB if mov['movieId'] == ref_mov_id: rating.append(mov['predict_rating']) if len(rating) == 0: continue else: colA.append([movie['predict_rating']]) colB.append(rating) return np.mat(colA), np.mat(colB)

04

计算预测评分

拿到两个列向量后,开始根据计算两个列向量的相似度预测用户对没看过的电影的打分,如果有点懵请看上篇。相似度计算有欧氏距离、皮尔逊系数和余弦距离三种,代码如下:

# 欧氏距离 def eulid_sim(colA, colB): return 1.0 / (1.0 + np.linalg.norm(colA - colB)) # 皮尔逊系数 def pears_sim(colA, colB): if len(colA) < 3: return 1.0 return 0.5 + 0.5 * np.corrcoef(colA, colB, rowvar = 0)[0][1] # 余弦相似度 def cos_sim(colA, colB):

if (colA.shape==(1,0)): return 0 num = float(colA.T * colB) # colA和colB都是列向量,shape一样,都形如[[1],[2],[3],[4]],两个shape一样不能相乘,需要将其中一个转为行向量 denom = np.linalg.norm(colA) * np.linalg.norm(colB) return 0.5 + 0.5 * (num / denom)

编写预测评分函数,预测评分的思路上篇也有介绍,大概就是加入用户已经看了电影A、B、C、D,打的分分别是a、b、c、d,要推荐电影E,则选择一个相似度计算公式,计算AE、BE、CE、DE的相似度,记为a%,b%,c%,d%,则对电影E的预测评分为电影ABCD的加权平均数,权是相似度。

# full_datas:原数据DataFrame # user_id:要推荐的用户id # movie_to_pre_id:要预测评分的电影id # est:选择的相似度计算函数 def calculate_score(full_datas, user_id, movie_to_pre_id, est): user_movies = full_datas[full_datas['userId'] == user_id] sim_total = 0.0 rat_sim_total = 0.0 for i, movie in user_movies.iterrows(): if movie['predict_rating'] == 0.0: continue movie_id = movie['movieId'] colA, colB = get_colA_and_colB(full_data, movie_to_pre_id, movie_id) similarity = est(colA, colB) # print('the %d and %d similarity is %f' % (movie_to_pre_id, movie_id, similarity)) sim_total += similarity rat_sim_total += similarity * movie['predict_rating']

return rat_sim_total / sim_total print('eulid_sim = %f' % calculate_score(full_data, 12, 1028, eulid_sim)) print('pearson_sim = %f' % calculate_score(full_data, 12, 1028, pears_sim)) print('cos_sim = %f' % calculate_score(full_data, 12, 1028, cos_sim))

三个相似度计算的1号用户对31电影评分.png

余弦相似度是nan,可能中间计算出了什么问题,现在还不确定,有可能是那两个colA和colB都是空,需要加这方面的判断吧。其他两个得到的评分预测还可以。

05

推荐

def new_recommend(full_datas, user_id): user_movies = full_datas[full_datas['userId'] == user_id] score_df = pd.DataFrame(columns=['movieId','predict_rating', 'real_rating']) score = [] movid = [] rel_rat = [] for i, data in user_movies.iterrows(): if data['predict_rating'] == 0: score.append(calculate_score(full_datas, user_id, data['movieId'], eulid_sim)) movid.append(data['movieId']) rel_rat.append(data['rating']) # score.sort() score_df['movieId'] = movid score_df['predict_rating'] = score score_df['real_rating'] = rel_rat return score_df.sort_values(by='predict_rating',ascending=False) print(new_recommend(full_data, 1)) # 看第一个用户的预测评分

推荐.png

取前N个movieId进行推荐就好,可以把N作为传入参数。

准确的部分就是统计了,这里就不赘述了,其实可以看出欧氏距离不是很准,想做好一个推荐系统还需要做更细致的分析,此外,出了准确率的考虑,还有大数据量的问题,真实的数据总不像实验室里的,又小又规范,总有各种异常数据,上面的处理方式可能很蹩脚,有更好的方式感谢指点。

终于终于写完了:-):-):-):-):-)

原文发布于微信公众号 - 人工智能LeadAI(atleadai)

原文发表时间:2017-10-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏IT派

细数二十世纪最伟大的10大算法(Top10)

[1946: John von Neumann, Stan Ulam, and Nick Metropolis, all at the Los Alamos S...

853
来自专栏个人分享

行为科学统计第一章知识点总结

1、什么是总体?什么是样本? 总体是一个研究的所有研究对象的个体的集合。样本是被选择出来的参与研究的特定的个体集合。样本被期望能够代表总体。

501
来自专栏IT派

干货 | PyTorch相比TensorFlow,存在哪些自身优势?

1、 PyTorch 课替代NumPy 使用:PyTorch 本身主要构件是张量——和 NumPy 看起来差不多。使得 PyTorch 可支持大量相同的 API...

5824
来自专栏数据魔术师

干货 | 到底是什么算法,能让人们如此绝望?

BOSS最近强迫小编学Tabu Search(TS) 听到这么高大上的词语后 当然是 ...... 一脸懵逼 ? 开始各种Google、度娘 搜索中却无奈发现 ...

4345
来自专栏C/C++基础

算法设计的方法

作用:要使计算机能完成人们预定的工作,首先必须为如何完成预定的工作设计一个算法,然后再根据算法编写程序。

713
来自专栏专知

不只是支持Windows, PyTorch 0.4新版本变动详解与升级指南

3392
来自专栏微信模式识别中心技术分享

“变形金刚”为何强大:从模型到代码全面解析Google Tensor2Tensor系统

      Tensor2Tensor(T2T)是Google Brain Team在Github上开源出来的一套基于TensorFlow的深度学习系统。该系统...

4515
来自专栏大数据挖掘DT机器学习

文本挖掘:社交网络、社群划分

作者:Matt 自然语言处理实习生 http://blog.csdn.net/sinat_26917383/article/details/5144453...

2966
来自专栏机器之心

ACL 2018 | 神经语言模型如何利用上下文信息:长距离上下文的词序并不重要

1755
来自专栏iOSDevLog

Scikit-Learn教程:棒球分析 (一)

一个scikit-learn教程,通过将数据建模到KMeans聚类模型和线性回归模型来预测MLB每赛季的胜利。

1022

扫描关注云+社区