基於內容的推薦系統


聲明一下,本文只是介紹一下最基礎的基於內容的推薦系統(Content-based recommender system)的工作原理,其實基於內容的推薦系統也分三六九等,這里只是簡單的較少一下最原始的、最基本的工作流程。

基於內容的推薦算法思路很簡單,它的原理大概分為3步:

1、為每個物品(Item)構建一個物品的屬性資料(Item Profile)

2、為每個用戶(User)構建一個用戶的喜好資料(User Profile)

3、計算用戶喜好資料與物品屬性資料的相似度,相似度高意味着用戶可能喜歡這個物品,相似度低往往意味着用戶不喜歡這個物品。

  選擇一個想要推薦的用戶“U”,針對用戶U遍歷一遍物品集合,計算出每個物品與用戶U的相似度,選出相似度最高的k個物品,將他們推薦給用戶U——大功告成!

下面將詳細介紹一下Item Profiles和User Profiles。

 

1、Item Profiles

說到基於內容的推薦系統,就不得不提到“Item Profiles”,它是整個系統中最關鍵的內容之一,這里的“Item”是指被推薦的物品,而“Item Profiles”是指被推薦物品的詳細屬性

什么是“Item”?:舉例來講對,於一個電影推薦系統來講,它的目標就是向用戶推薦他們可能喜歡的電影,這其中:電影就相當於“Item”;

什么是“Item Profiles”?演員名單、導演名單、影片類型、時長、上映日期、票房等等,這些電影的屬性就是所謂“Item Profiles”了。

 

2、Representing Item Profiles

還是拿電影推薦系統來舉例吧,為了簡單起見,我們假設“Item Profiles”中只包含演員名單。這樣一來,《黑客帝國》的Item Profiles就可以這樣表示了:{基努·里維斯、勞倫斯·菲什伯恩、凱莉·安·摩絲、雨果·維}(為了方便,我們假設《黑客帝國》中只有這4位演員)。然而這種自然描述的Item Profiles不能直接用在代碼里啊,所以還要把自然描述的Item Profiles映射成程序能夠讀懂的數據結構,所以需要進行一個映射——將自然語言描述的Item Profiles轉換成0,1矩陣

方法是這樣的:

2.1、首先構造一個1xn維的矩陣,n表示全球主要的影星數量。初始化這個1xn維的矩陣,將所有元素設置為0,這樣我們就會得到一個類似這樣子的行向量:[0,0,0,0,0,0,............................,0] ,其中一共有n個0。

2.2、做一個假設:我們假設這個行向量的第0個元素代表成龍、第1個元素代表基努·里維斯、第2個元素代表勞倫斯·菲什伯恩、第3個元素代表湯姆克魯斯、第4、5個元素分別代表凱莉·安·摩絲和雨果·維、剩下的代表誰無所謂了,由他去吧!

2.3、將自然語言描述的Item Profiles映射到這個1xn維的矩陣中,映射的方法很直觀,如果影片M中有演員A1,A2和A3,那么M的行向量中,A1、A2、A3對應的元素分別置為1,表示影片M中出現的演員有A1、A2、A3。

 

舉例來講,按照第2步中的假設的話,那么影片《黑客帝國》的0,1矩陣就是[0,1,1,0,1,1,0,0,0,0,0,0...............,0]。不難看出,由於矩陣的第0個元素代表成龍,而成龍並不是《黑客帝國》中的演員,所以矩陣中第0個元素是0,表示成龍不是《黑客帝國》中的演員;

同樣的,由於矩陣的第1個元素代表基努·里維斯,而基努·里維斯是《黑客帝國》中的演員,所以矩陣中第1個元素是1,表示基努·里維斯是《黑客帝國》中的演員。同理,矩陣中第2,4,5個元素是1,分別表示勞倫斯·菲什伯恩、凱莉·安·摩絲、雨果·維是《黑客帝國》中的演員。剩下的元素就都是0了。

 

3、User Profiles

到目前為止,我們已經為Item進行建模了,模型就是“Item Profiles”,也就是那個1xn維的0,1矩陣。但是這還不夠,我們還需要為用戶進行建模,所謂的對用戶建模,就是構造“User Profiles”,而這個“User Profiles”就相當於用戶的偏好。在電影推薦系統這個例子中,用戶U的偏好可以表示為對各個演員的喜好程度,舉例來講:

假設我們有一個評分矩陣,其中包含2個用戶和3個電影:

用戶\電影 《尖峰時刻》 《紅番區》 《黑客帝國》
Alice 4 5 3
Bob   1 4

矩陣的含義是:

用戶Alice對《尖峰時刻》 《紅番區》 《黑客帝國》的評分分別為4、5、3分(滿分5分)

用戶Bob對 《尖峰時刻》 《紅番區》 《黑客帝國》的評分分別為1、1、4分(滿分5分,空白的表格表示Bob尚未對該電影打分)

經過分析,可以發現Alice相對來講更喜歡《尖峰時刻》和《紅番區》,而成龍是這兩部電影的共同點,由此我們很自然的猜想到:Alice可能喜歡成龍的電影!利用這一個消息,就可以開始為Alice構建她的“User Profiles”了,方法如下:

 

3.1、算出Alice所有打分的平均分,在這個例子中Alice的平均分Avg =(4+5+3)/2 = 4

3.2、利用公式:算出Alice對成龍的喜好程度。其中Xi是所有涉及到成龍的、而且是Alice評過分的電影,Avg就是3.1中算出來的平均分,n就是所有涉及到成龍的、而且是Alice評過分的電影的數量。在這個例子中公式應該等於((4 - 4) + (5 - 4)) / 2 = 0.5,也就是說,Alice對成龍的喜好程度可以用0.5這個數值來反應。

3.3、類似於Item Profiles,User Profiles也用到了一個1xn維的矩陣,與Item Profiles的矩陣不同的是,User Profiles中矩陣的元素不再是0,1,而是由3.2計算得來的對每個演員的喜好程度,所以最終Alice的矩陣可以表示為[0.5,x,y,z,...........xx,oo],回想一下,在2.2中我們已經做出了假設:矩陣的第0個元素代表成龍,所以這里的第0個元素是0.5,表示Alice對成龍的喜好程度是0.5。同理,可以算出Alice對其他演員的喜好程度。

 

4、計算推薦依據

利用余弦相似度的公式來計算給定的User “U”和給定的Item “I”之間的距離。余弦相似度的值越大說明U越有可能喜歡I。(關於距離度量和余弦相似度,參見我其他博客,給出鏈接如下:https://www.cnblogs.com/cy0628/p/13920795.html

余弦相似度的具體計算方法如下:

 

在電影推薦系統的例子中:

Ua表示,用戶U對演員a的喜好值(即User Profiles矩陣中,演員a對應的值)

Ia表示,電影I是否包含演員a(即Item Profiles矩陣中,演員a對應的值)

 

5、開始推薦!

我們可以按照4中介紹的方法來遍歷整個影片庫,計算Alice與每個電影的相似度,選擇相似度最高的前k個電影,推薦給Alice,大功告成!

參考:https://www.cnblogs.com/exlsunshine/p/4214357.html


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM