推荐系统案例基于协同过滤的电影推荐

Posted 2021-11-24 ZSYL

案例--基于协同过滤的电影推荐

• 1. 数据集下载
• 2. 数据集加载
• 3. 相似度计算
• 4. User-Based CF 预测评分算法实现
• 5. Item-Based CF 预测评分算法实现

前面我们已经基本掌握了协同过滤推荐算法，以及其中两种最基本的实现方案：User-Based CF和Item-Based CF，下面我们将利用真实的数据来进行实战演练。

案例需求

演示效果

分析案例

1. 数据集下载

MovieLens Latest Datasets Small

建议下载ml-latest-small.zip，数据量小，便于我们单机使用和运行

目标：根据ml-latest-small/ratings.csv（用户-电影评分数据），分别实现User-Based CF和Item-Based CF，并进行电影评分的预测，然后为用户实现电影推荐

2. 数据集加载

• 加载ratings.csv，并转换为用户-电影评分矩阵

  import os
  
  import pandas as pd
  import numpy as np
  
  DATA_PATH = "./datasets/ml-latest-small/ratings.csv"
  CACHE_DIR = "./datasets/cache/"
  
  def load_data(data_path):
      '''
      加载数据
      :param data_path: 数据集路径
      :param cache_path: 数据集缓存路径
      :return: 用户-物品评分矩阵
      '''
      # 数据集缓存地址
      cache_path = os.path.join(CACHE_DIR, "ratings_matrix.cache")
  
      print("开始加载数据集...")
      if os.path.exists(cache_path):    # 判断是否存在缓存文件
          print("加载缓存中...")
          ratings_matrix = pd.read_pickle(cache_path)
          print("从缓存加载数据集完毕")
      else:
          print("加载新数据中...")
          # 设置要加载的数据字段的类型
          dtype = {"userId": np.int32, "movieId": np.int32, "rating": np.float32}
          # 加载数据，我们只用前三列数据，分别是用户ID，电影ID，已经用户对电影的对应评分
          ratings = pd.read_csv(data_path, dtype=dtype, usecols=range(3))
          # 透视表，将电影ID转换为列名称，转换成为一个User-Movie的评分矩阵
          ratings_matrix = ratings.pivot_table(index=["userId"], columns=["movieId"], values="rating")
          # 存入缓存文件
          ratings_matrix.to_pickle(cache_path)
          print("数据集加载完毕")
          
      return  ratings_matrix
  
  if __name__ == '__main__':
      ratings_matrix = load_data(DATA_PATH)
      print(ratings_matrix)
  

3. 相似度计算

• 计算用户或物品两两相似度：

  # ......
  
  def compute_pearson_similarity(ratings_matrix, based="user"):
      '''
      计算皮尔逊相关系数
      :param ratings_matrix: 用户-物品评分矩阵
      :param based: "user" or "item"
      :return: 相似度矩阵
      '''
      user_similarity_cache_path = os.path.join(CACHE_DIR, "user_similarity.cache")
      item_similarity_cache_path = os.path.join(CACHE_DIR, "item_similarity.cache")
      # 基于皮尔逊相关系数计算相似度
      # 用户相似度
      if based == "user":
          if os.path.exists(user_similarity_cache_path):
              print("正从缓存加载用户相似度矩阵")
              similarity = pd.read_pickle(user_similarity_cache_path)
          else:
              print("开始计算用户相似度矩阵")
              similarity = ratings_matrix.T.corr()
              similarity.to_pickle(user_similarity_cache_path)
  
      elif based == "item":
          if os.path.exists(item_similarity_cache_path):
              print("正从缓存加载物品相似度矩阵")
              similarity = pd.read_pickle(item_similarity_cache_path)
          else:
              print("开始计算物品相似度矩阵")
              similarity = ratings_matrix.corr()
              similarity.to_pickle(item_similarity_cache_path)
      else:
          raise Exception("Unhandled 'based' Value: %s"%based)
      print("相似度矩阵计算/加载完毕")
      return similarity
  
  if __name__ == '__main__':
  
      ratings_matrix = load_data(DATA_PATH)
  
      user_similar = compute_pearson_similarity(ratings_matrix, based="user")
      print(user_similar)
      item_similar = compute_pearson_similarity(ratings_matrix, based="item")
      print(item_similar)
  

注意

以上实现，仅用于实验阶段，因为工业上、或生产环境中，数据量是远超过我们本例中使用的数据量的，而pandas是无法支撑起大批量数据的运算的，因此工业上通常会使用spark、mapReduce等分布式计算框架来实现，我们后面的课程中也是建立在此基础上进行实践的。

但是正如前面所说，推荐算法的思想和理念都是统一的，不论使用什么平台工具、有多大的数据体量，其背后的实现原理都是不变的。

所以在本节，大家要深刻去学习的是推荐算法的业务流程，以及在具体的业务场景中，如本例的电影推荐，如何实现出推荐算法，并产生推荐结果。

4. User-Based CF 预测评分算法实现

评分预测公式：
$$pred(u,i)={\hat{r}}_{ui}=\frac{{\sum }_{v\in U}sim(u,v)\ast r_{vi}}{{\sum }_{v\in U}|sim(u,v)|}$$

算法实现

• 实现评分预测方法：predict

  # ......
  
  def predict(uid, iid, ratings_matrix, user_similar):
      '''
      预测给定用户对给定物品的评分值
      :param uid: 用户ID
      :param iid: 物品ID
      :param ratings_matrix: 用户-物品评分矩阵
      :param user_similar: 用户两两相似度矩阵
      :return: 预测的评分值
      '''
      print("开始预测用户<%d>对电影<%d>的评分..."%(uid, iid))
      # 1. 找出uid用户的相似用户
      similar_users = user_similar[uid].drop([uid]).dropna()
      # 相似用户筛选规则：正相关的用户
      similar_users = similar_users.where(similar_users>0).dropna()
      
      if similar_users.empty is True:
          raise Exception("用户<%d>没有相似的用户" % uid)
  
      # 2. 从uid用户的近邻相似用户中筛选出对iid物品有评分记录的近邻用户
      ids = set(ratings_matrix[iid].dropna().index)&set(similar_users.index)
      finally_similar_users = similar_users.ix[list(ids)]
  
      # 3. 结合uid用户与其近邻用户的相似度预测uid用户对iid物品的评分
      sum_up = 0    # 评分预测公式的分子部分的值
      sum_down = 0    # 评分预测公式的分母部分的值
      for sim_uid, similarity in finally_similar_users.iteritems():
          # 近邻用户的评分数据
          sim_user_rated_movies = ratings_matrix.ix[sim_uid].dropna()
          # 近邻用户对iid物品的评分
          sim_user_rating_for_item = sim_user_rated_movies[iid]
          # 计算分子的值
          sum_up += similarity * sim_user_rating_for_item
          # 计算分母的值
          sum_down += similarity
  
      # 计算预测的评分值并返回
      predict_rating = sum_up/sum_down
      print("预测出用户<%d>对电影<%d>的评分：%0.2f" % (uid, iid, predict_rating))
      return round(predict_rating, 2)
  
  if __name__ == '__main__':
      ratings_matrix = load_data(DATA_PATH)
  
      user_similar = compute_pearson_similarity(ratings_matrix, based="user")
      # 预测用户1对物品1的评分
      predict(1, 1, ratings_matrix, user_similar)
      # 预测用户1对物品2的评分
      predict(1, 2, ratings_matrix, user_similar)
  

• 实现预测全部评分方法：predict_all

  # ......
  def predict_all(uid, ratings_matrix, user_similar):
      '''
      预测全部评分
      :param uid: 用户id
      :param ratings_matrix: 用户-物品打分矩阵
      :param user_similar: 用户两两间的相似度
      :return: 生成器，逐个返回预测评分
      '''
      # 准备要预测的物品的id列表
      item_ids = ratings_matrix.columns
      # 逐个预测
      for iid in item_ids:
          try:
              rating = predict(uid, iid, ratings_matrix, user_similar)
          except Exception as e:
              print(e)
          else:
              yield uid, iid, rating
  
  if __name__ == '__main__':
      ratings_matrix = load_data(DATA_PATH)
  
      user_similar = compute_pearson_similarity(ratings_matrix, based="user")
  
      for i in predict_all(1, ratings_matrix, user_similar):
          pass
  

• 添加过滤规则

  def _predict_all(uid, item_ids, ratings_matrix, user_similar):
      '''
      预测全部评分
      :param uid: 用户id
      :param item_ids: 要预测的物品id列表
      :param ratings_matrix: 用户-物品打分矩阵
      :param user_similar: 用户两两间的相似度
      :return: 生成器，逐个返回预测评分
      '''
      # 逐个预测
      for iid in item_ids:
          try:
              rating = predict(uid, iid, ratings_matrix, user_similar)
          except Exception as e:
              print(e)
          else:
              yield uid, iid, rating
  
  def predict_all(uid, ratings_matrix, user_similar, filter_rule=None):
      '''
      预测全部评分，并可根据条件进行前置过滤
      :param uid: 用户ID
      :param ratings_matrix: 用户-物品打分矩阵
      :param user_similar: 用户两两间的相似度
      :param filter_rule: 过滤规则，只能是四选一，否则将抛异常："unhot","rated",["unhot","rated"],None
      :return: 生成器，逐个返回预测评分
      '''
  
      if not filter_rule:
          item_ids = ratings_matrix.columns
      elif isinstance(filter_rule, str) and filter_rule == "unhot":
          '''过滤非热门电影'''
          # 统计每部电影的评分数
          count = ratings_matrix.count()
          # 过滤出评分数高于10的电影，作为热门电影
          item_ids = count.where(count>10).dropna().index
      elif isinstance(filter_rule, str) and filter_rule == "rated":
          '''过滤用户评分过的电影'''
          # 获取用户对所有电影的评分记录
          user_ratings = ratings_matrix.ix[uid]
          # 评分范围是1-5，小于6的都是评分过的，除此以外的都是没有评分的
          _ = user_ratings<6
          item_ids = _.where(_==False).dropna().index
      elif isinstance(filter_rule, list) and set(filter_rule) == set(["unhot", "rated"]):
          '''过滤非热门和用户已经评分过的电影'''
          count = ratings_matrix.count()
          ids1 = count.where(count > 10).dropna().index
  
          user_ratings = ratings_matrix.ix[uid]
          _ = user_ratings < 6
          ids2 = _.where(_ == False).dropna().index
          # 取二者交集
          item_ids = set(ids1)&set(ids2)
      else:
          raise Exception("无效的过滤参数")
  
      yield from _predict_all(uid, item_ids, ratings_matrix, user_similar)
  
  if __name__ == '__main__':
      ratings_matrix = load_data(DATA_PATH)
  
      user_similar = compute_pearson_similarity(ratings_matrix, based="user")
  
      for result in predict_all(1, ratings_matrix, user_similar, filter_rule=["unhot", "rated"]):
          print(result)
  

• 根据预测评分为指定用户进行TOP-N推荐：

  # ......
  
  def top_k_rs_result(k):
      ratings_matrix = load_data(DATA_PATH)
      user_similar = compute_pearson_similarity(ratings_matrix, based="user")
      results = predict_all(1, ratings_matrix, user_similar, filter_rule=["unhot", "rated"])
      return sorted(results, key=lambda x: x[2], reverse=True)[:k]
  
  if __name__ == '__main__':
      from pprint import pprint
      result = top_k_rs_result(20)
      pprint(result)
  
  

5. Item-Based CF 预测评分算法实现

评分预测公式：
$$pred(u,i)={\hat{r}}_{ui}=\frac{{\sum }_{j\in I_{rated}}sim(i,j)\ast r_{uj}}{{\sum }_{j\in I_{rated}}sim(i,j)}$$

算法实现

• 实现评分预测方法：predict

  • 方法说明：

    利用原始评分矩阵、以及物品间两两相似度，预测指定用户对指定物品的评分。

    如果无法预测，则抛出异常

  # ......
  
  def predict(uid, iid, ratings_matrix, item_similar):
      '''
      预测给定用户对给定物品的评分值
      :param uid: 用户ID
      :param iid: 物品ID
      :param ratings_matrix: 用户-物品评分矩阵
      :param item_similar: 物品两两相似度矩阵
      :return: 预测的评分值
      '''
      print("开始预测用户<%d>对电影<%d>的评分..."%(uid, iid))
      # 1. 找出iid物品的相似物品
      similar_items = item_similar[iid].drop([iid]).dropna()
      # 相似物品筛选规则：正相关的物品
      similar_items = similar_items.where(similar_items>0).dropna()
      if similar_items.empty is True:
          raise Exception("物品<%d>没有相似的物品" %id)
  
      # 2. 从iid物品的近邻相似物品中筛选出uid用户评分过的物品
      ids = set(ratings_matrix.ix[uid].dropna().index)&set(similar_items.index)
      finally_similar_items = similar_items.ix[list(ids)]
  
      # 3. 结合iid物品与其相似物品的相似度和uid用户对其相似物品的评分，预测uid对iid的评分
      sum_up = 0    # 评分预测公式的分子部分的值
      sum_down = 0    # 评分预测公式的分母部分的值
      for sim_iid, similarity in finally_similar_items.iteritems():
          # 近邻物品的评分数据
          sim_item_rated_movies = ratings_matrix[sim_iid].dropna()
          # uid用户对相似物品物品的评分
          sim_item_rating_from_user = sim_item_rated_movies以上是关于推荐系统案例基于协同过滤的电影推荐的主要内容，如果未能解决你的问题，请参考以下文章
   
   ML之CF：基于MovieLens电影评分数据集利用基于用户协同过滤算法(余弦相似度)实现对用户进行Top5电影推荐案例
   Python实现基于用户的协同过滤推荐算法构建电影推荐系统
   JAVA推荐系统-基于用户和物品协同过滤的电影推荐
   利用用户行为数据——基于Spark平台的协同过滤实时电影推荐系统项目系列博客
   创建项目并初始化业务数据——基于Spark平台的协同过滤实时电影推荐系统项目系列博客
   基于Spark MLlib平台的协同过滤算法---电影推荐系统