Spark调研笔记第7篇 - 应用实战: 如何利用Spark集群计算物品相似度

Posted 2022-12-04 slvher

本文是Spark调研笔记的最后一篇，以代码实例说明如何借助Spark平台高效地实现推荐系统CF算法中的物品相似度计算。

在推荐系统中，最经典的推荐算法无疑是协同过滤（Collaborative Filtering, CF），而item-cf又是CF算法中一个实现简单且效果不错的算法。
在item-cf算法中，最关键的步骤是计算物品之间的相似度。本文以代码实例来说明如何利用Spark平台快速计算物品间的余弦相似度。
Cosine Similarity是相似度的一种常用度量，根据《推荐系统实践》一书第2.4.2节关于Item-CF算法部分的说明，其计算公式如下：

举个例子，若对item1有过行为的用户集合为u1, u2, u3，对item2有过行为的用户集合为u1, u3, u4, u5，则根据上面的式子，item1和item2间的相似度为2/(3*4)，其中分子的2是因为item1的user_list与item2的user_list的交集长度为2，即item1和item2的共现（co-occurence）次数是2。

在工程实现上，根据论文"Empirical Analysis of Predictive Algorithms for Collaborative Filtering"的分析，为对活跃用户做惩罚，引入了IUF (Inverse User Frequency)的概念（与TF-IDF算法引入IDF的思路类似：活跃用户对物品相似度的贡献应该小于不活跃的用户），因此，对余弦相似度做改进后相似度计算公式如下：

可以看到，上式分子部分的1/log(1 + N(u))体现了对活跃用户的惩罚。

此外，通常认为用户在相隔很短的时间内喜欢的物品具有更高相似度。因此，工程实现上，还会考虑时间衰减效应。一种典型的时间衰减函数如下所示：

最终，时间上下文相关的Item-CF算法中的相似度计算公式如下：

上式中，分母部分与标准的相似度公式分母保持一致；分子部分参与运算的是item_i和item_j的共现用户集合，其中，f(t)是时间衰减效应的体现，N(u)对活跃用户做了惩罚。

下面的Python代码是计算物品相似度的Spark任务的代码片段（从HDFS加载用户历史行为日志，计算物品相似度，相似列表取TopN，将相似度计算结果写会HDFS），供大家参考：

#!/bin/env/python


import pyspark as ps
import math
import datetime as dt
import util


def generate_item_pair(x):
    """
        Find co-occurence items of every given user 
        Return a tuple in the format of ((item_0, item_1), cooccurrence_factor).
    """
    items = x[1]
    item_cnt = len(items)
    alpha = 1
    for i in items:
        item1 = i[0]
        ts1   = i[1]
        for j in items:
            item2 = j[0]
            ts2   = j[1]
            if item1 != item2:
                ## introduce time decay and penalize active users
                ft = 1.0 / (1 + alpha * abs(ts1 - ts2))
                yield ((item1, item2), (ft / math.log(1 + item_cnt)))


def compute_item_similarity(x):
    items = x[0]
    cooccurrence = float(x[1])
    item_dict = g_item_freq_d 
    norm_factor = 5
    if items[0] in item_dict and items[1] in item_dict:
        freq_0 = item_dict[items[0]]
        freq_1 = item_dict[items[1]]
        ## calculate similarity between the item pair
        sim = cooccurrence / math.sqrt(freq_0 * freq_1)
        ## normalize similarity
        norm_sim = (cooccurrence / (cooccurrence + norm_factor)) * sim
        yield (items[0], (items[1], norm_sim))


def sort_items(x):
    """
        For a given item, sort all items similar to it as descent (using similarity scores), take topN similar items, and return as the following format:
        given_item \\t sorted_item_0$sorted_score_0,sorted_item_1$sorted_score_1,...
    """
    similar_items = list(x[1])
    if len(similar_items) > 0:
        ## sort list of (item, score) tuple by score from high to low
        similar_items.sort(key=lambda x: x[1], reverse=True)
        ## format the list of sorted items as a string
        similar_items_str = ",".join(["$".join(map(str,item)) for item in similar_items[0:50]])
        yield "\\t".join([str(x[0]), similar_items_str])


def main():
    base_hdfs_uri = "hdfs://to/user/behavior/log"
    today = dt.date.today()
    knn_similarity_file = '%s/%s/knn_sim' % (base_hdfs_uri, today.strftime('%Y%m%d'))

    sc = ps.SparkContext()

    ## load user behavior from hdfs log
    ## each element in user_item is a tuple: (user, (item, timestamp))
    history_s = (today - dt.timedelta(8)).strftime('%Y%m%d')
    history_e = (today - dt.timedelta(2)).strftime('%Y%m%d')
    input_files = util.get_input_files(action='play', start=history_s, end=history_e)
    user_item = sc.textFile(",".join(input_files))\\
        .mapPartitions(util.parse_user_item) \\
        .map(lambda x: (x[0], (x[1], x[2]))) \\
        .distinct() \\
        .cache()

    ## compute item frequency and store as a global dict
    item_freq = user_item.map(lambda x: (x[1][0], 1)) \\
        .reduceByKey(lambda x, y: x + y) \\
        .collect()
    global g_item_freq_d
    g_item_freq_d = dict()
    for x in item_freq:
        g_item_freq_d[x[0]] = x[1]
   
    ## compute item similarity and find top n most similar items  
    item_pair_sim = user_item.groupByKey() \\
        .flatMap(generate_item_pair) \\
        .reduceByKey(lambda x, y: x + y) \\
        .flatMap(compute_item_similarity) \\
        .groupByKey() \\
        .flatMap(sort_items) \\
        .cache()

    ## dump to hdfs
    item_pair_sim.repartition(1).saveAsTextFile(knn_similarity_file)


if __name__ == '__main__':
    main()

上面的代码中，import util中引入的util只是负责从HDFS获取用户历史日志的文件名列表，非常简单，实现细节这里不赘述。

【参考资料】
1. wikipedia: Collaborative filtering
2. 推荐系统实践（项亮著）第2.4.2节: 基于物品的协同过滤算法
3. Paper: Empirical Analysis of Predictive Algorithms for Collaborative Filtering
4. 推荐系统实践（项亮著）第5.1.6节: 时间上下文相关的ItemCF算法
5.  Spark Programming Guide

========================== EOF ===========================