原創-機器學習之推薦系統實戰

如何實現一個電影推薦系統

原創內容

轉載注明出處：http://www.vmfor.com

 

GavinHacker

推薦算法在互聯網行業的應用非常廣泛，今日頭條、美團點評等都有個性化推薦，推薦算法抽象來講，是一種對於內容滿意度的擬合函數，涉及到用戶特征和內容特征，作為模型訓練所需維度的兩大來源，而點擊率，頁面停留時間，評論或下單等都可以作為一個量化的 Y 值，這樣就可以進行特征工程，構建出一個數據集，然后選擇一個合適的監督學習算法進行訓練，得到模型后，為客戶推薦偏好的內容，如頭條的話，就是咨詢和文章，美團的就是生活服務內容。

可選擇的模型很多，如協同過濾，邏輯斯蒂回歸，基於DNN的模型，FM等。我們使用的方式是，基於內容相似度計算進行召回，之后通過FM模型和邏輯斯蒂回歸模型進行精排推薦，下面就分別說一下，我們做這個電影推薦系統過程中，從數據准備，特征工程，到模型訓練和應用的整個過程。

我們實現的這個電影推薦系統，爬取的數據實際上維度是相對少的，特別是用戶這一側的維度，正常推薦系統涉及的維度，諸如頁面停留時間，點擊頻次，收藏等這些維度都是沒有的，以及用戶本身的維度也相對要少，沒有地址、年齡、性別等這些基本的維度，這樣我們爬取的數據只有打分和評論這些信息，所以之后我們又從這些信息里再拿出一些統計維度來用。我們爬取的電影數據(除電影詳情和圖片信息外)是如下這樣的形式：

這里的數據是有冗余的，又通過如下的代碼，對數據進行按維度合並，去除冗余數據條目：

# 處理主函數，負責將多個冗余數據合並為一條電影數據，將地區，導演，主演，類型，特色等維度數據合並

def mainfunc():
    try:
        unable_list = []
        with connection.cursor() as cursor:
            sql='select id,name from movie'
            cout=cursor.execute(sql)
            print("數量： "+str(cout))

            for row in cursor.fetchall():
                #print(row[1])
                movieinfo = df[df['電影名'] == row[1]]
                if movieinfo.shape[0] == 0:
                    disable_movie(row[0])
                    print('disable movie ' + str(row[1]))
                else:
                    g = lambda x:movieinfo[x].iloc[0]
                    types = movieinfo['類型'].tolist()
                    types = reduce(lambda x,y:x+'|'+y,list(set(types)))
                    traits = movieinfo['特色'].tolist()
                    traits = reduce(lambda x,y:x+'|'+y,list(set(traits)))
                    update_one_movie_info(type_=types, actors=g('主演'), region=g('地區'), director=g('導演'), trait=traits, rat=g('評分'), id_=row[0])

        connection.commit()
    finally:
        connection.close()

 

之后開始准備用戶數據，我們從用戶打分的數據中，統計出每一個用戶的打分的最大值，最小值，中位數值和平均值等，從而作為用戶的一個附加屬性，存儲於userproex表中：

'insert into userproex(userid, rmax, rmin, ravg, rcount, rsum, rmedian) values(\'%s\', %s, %s, %s, %s, %s, %s)' % (userid, rmax, rmin, ravg, rcount, rsum, rmedium)


'update userproex set rmax=%s, rmin=%s, ravg=%s, rmedian=%s, rcount=%s, rsum=%s where userid=\'%s\'' % (rmax, rmin, ravg, rmedium, rcount, rsum, userid)

 

以上兩個SQL是最終插入表的時候用到的，代表准備用戶數據的最終步驟，其余細節可以參考文末的github倉庫，不在此贅述，數據處理還用到了一些SQL，以及其他處理細節。

系統上線運行時，第一次是全量的數據處理，之后會是增量處理過程，這個后面還會提到。

我們目前把用戶數據和電影的數據的原始數據算是准備好了，下一步開始特征工程。做特征工程的思路是，對type, actors, director, trait四個類型數據分別構建一個頻度統計字典，用於之后的one-hot編碼，代碼如下：

def get_dim_dict(df, dim_name):
  type_list = list(map(lambda x:x.split('|') ,df[dim_name]))
  type_list = [x for l in type_list for x in l]
  def reduce_func(x, y):
    for i in x:
      if i[0] == y[0][0]:
        x.remove(i)
        x.append(((i[0],i[1] + 1)))
        return x
    x.append(y[0])
    return x
  l = filter(lambda x:x != None, map(lambda x:[(x, 1)], type_list))
  type_zip = reduce(reduce_func, list(l))
  type_dict = {}
  for i in type_zip:
    type_dict[i[0]] = i[1]
  return type_dict

 

涉及到的冗余數據也要刪除

df_ = df.drop(['ADD_TIME', 'enable', 'rat', 'id', 'name'], axis=1)

 

將電影數據轉換為字典列表，由於演員和導演均過萬維，實際計算時過於稀疏，當演員或導演只出現一次時，標記為冷門演員或導演

movie_dict_list = []
for i in df_.index:
  movie_dict = {}
  #type
  for s_type in df_.iloc[i]['type'].split('|'):
    movie_dict[s_type] = 1
  #actors
  for s_actor in df_.iloc[i]['actors'].split('|'):
    if actors_dict[s_actor] < 2:
      movie_dict['other_actor'] = 1
    else:
      movie_dict[s_actor] = 1
  #regios
  movie_dict[df_.iloc[i]['region']] = 1
  #director
  for s_director in df_.iloc[i]['director'].split('|'):
    if director_dict[s_director] < 2:
      movie_dict['other_director'] = 1
    else:
      movie_dict[s_director] = 1
  #trait
  for s_trait in df_.iloc[i]['trait'].split('|'):
    movie_dict[s_trait] = 1
  movie_dict_list.append(movie_dict)

 

使用DictVectorizer進行向量化，做One-hot編碼

v = DictVectorizer()
X = v.fit_transform(movie_dict_list)

 

這樣的數據，下面做余弦相似度已經可以了，這是特征工程的基本的一個處理，模型所使用的數據，需要將電影，評分，用戶做一個數據拼接，構建訓練樣本，並保存CSV，注意這個CSV不用每次全量構建，而是除第一次外都是增量構建，通過mqlog中類型為'c'的消息，增量構建以comment（評分）為主的訓練樣本，拼接之后的形式如下：

USERID    cf2349f9c01f9a5cd4050aebd30ab74f
movieid    10533913
type    劇情|奇幻|冒險|喜劇
actors    艾米·波勒|菲利絲·史密斯|理查德·坎德|比爾·哈德爾|劉易斯·布萊克
region    美國
director    彼特·道格特|羅納爾多·德爾·卡門
trait    感人|經典|勵志
rat    8.7
rmax    5
rmin    2
ravg    3.85714
rcount    7
rmedian    4
TIME_DIS    15

 

這個數據的actors等字段和上面的處理是一樣的，為了之后libfm的使用，在這里需要轉換為libsvm的數據格式

dump_svmlight_file(train_X_scaling, train_y_, train_file)

有很多細節不在這里描述，這樣大概的特征工程工作就做好了，之后使用相似度計算，FM，LR進行推薦模型的訓練。 具體訓練的過程不在這里進行闡述了，可以參考代碼索引頁

 

全部子項目代碼地址

 

模型使用上遵循先召回，后精排的策略，先通過余弦相似度計算一個相似度矩陣，然后根據這個矩陣，為用戶推薦相似的M個電影，在通過訓練好的FM，LR模型，對這個M個電影做偏好預估，FM會預估一個用戶打分，LR會預估一個點擊概率，綜合結果推送給用戶作為推薦電影。

 

做了這個電影推薦系統后，感覺算是對自己這么長時間學習機器學習知識做一個綜合的實踐，有不少的感悟，現在有很多學習機器學習的同學，建議在大家刷論文的同時，也注重在項目中實踐，計算機科學，雖然叫做科學，實際卻是一門實踐性學科，一些AI頂級大牛，他們並不是數學家，也不是理論家，大多是從理論和實踐結合這條路成就的，和金庸小說中的武林絕技是一個道理。說到這，大家都知道，最近朋友圈被《94射雕英雄傳》AI換臉楊冪刷屏了，看來AI視頻換臉技術發展已經相當快，仔細想想，這已經是AI進入藝術創作領域的一個表象，筆者認為AI之后的發展一定是從互聯網行業擴展出去，變成IT產業當中的一個重要的技術支柱。