推荐系统基础-纪要

Posted 2021-12-06 ZSYL

推荐系统纪要

• • • 推荐概念
    • Lambda 架构介绍
    • 推荐算法架构
    • 推荐模型构建流程
    • 协同过滤思路介绍
    • 相似度计算
    • 使用不同相似度计算方式实现协同过滤
    • 协同过滤 基于模型的算法
    • 推荐系统的评价
    • 推荐系统的冷启动
    • 基于内容的推荐
    • 基于内容的推荐 基于物品的协同过滤 区别
    • 矩阵分解
    • 基于内容的推荐
    • 基于内容推荐流程
    • 词向量

7天 基础

• 推荐系统相关概念 基本算法
• 推荐算法
  • 原生python 实现推荐算法
• lambda架构 5天
  • hadoop
  • hive hbase
  • spark core
  • spark sql spark streaming
  • 案例 基于电商用户行为

7天 项目

推荐概念

• 信息过滤系统 解决 信息过载 用户需求不明确的问题
  • 利用一定的规则将物品排序 展示给需求不明确的用户
• 推荐 搜索区别
  • 推荐个性化较强，用户被动的接受，希望能够提供持续的服务
  • 搜索个性化弱，用户主动搜索，快速满足用户的需求
• 推荐和 web项目区别
  • 构建稳定的信息流通通道
  • 推荐 信息过滤系统
  • web 对结果有明确预期
  • 推荐 结果是概率问题

Lambda 架构介绍

• 离线计算和实时计算共同提供服务的问题
• 离线计算优缺点
  • 优点 能够处理的数据量可以很大 比如pb级别
  • 缺点 速度比较慢 分钟级别的延迟
• 实时计算
  • 优点 响应快 来一条数据处理一条 ms级别响应
  • 缺点 处理的数据量小一些
• 离线计算的框架
  • hadoop hdfs mapreduce
  • spark core , spark sql
  • hive
• 实时计算框架
  • spark streaming
  • storm
  • flink
• 消息中间件
  • flume 日志采集系统
  • kafka 消息队列
• 存储相关
  • hbase nosql数据库
  • hive sql操作hdfs数据

推荐算法架构

• 召回

  • 协同过滤 算相似度 memory base

    ​ 基于模型的 model base 矩阵分解

  • 基于内容

    • 分词
    • 词权重（提取关键词） tf-idf
    • word2Vec 词向量
    • 物品向量

• 排序

  • 逻辑回归

• 策略调整

推荐模型构建流程

• 数据收集

  • 显性评分
  • 隐性数据

• 特征工程

  • 协同过滤：用户-物品 评分矩阵
  • 基于内容：分词 tf-idf word2Vec

• 训练模型

  • 协同过滤
    • kNN
    • 矩阵分解 梯度下降 ALS

• 评估、模型上线

协同过滤思路介绍

• CF 物以类聚人以群分
• 做协同过滤的话 首先特征工程把 用户-物品的评分矩阵创建出来
• 基于用户的协同过滤
  • 给用户A 找到最相似的N个用户
  • N个用户消费过哪些物品
  • N个用户消费过的物品中-A用户消费过的就是推荐结果
• 基于物品的协同过滤
  • 给物品A 找到最相似的N个物品
  • A用户消费记录 找到这些物品的相似物品
  • 从这些相似物品先去重-A用户消费过的就是推荐结果

相似度计算

• 余弦相似度、皮尔逊相关系数
  • 向量的夹角余弦值
  • 皮尔逊会对向量的每一个分量做中心化
  • 余弦只考虑方向 不考虑向量长度
  • 如果评分数据是连续的数值比较适合中余弦、皮尔逊计算相似度
• 杰卡德相似度
  • 交集/并集
  • 计算评分是0 1 布尔值的相似度

使用不同相似度计算方式实现协同过滤

• 如果 买/没买 点/没点数据 0/1 适合使用杰卡德相似度

  • from sklearn.metrics import jaccard_similarity_score
  • jaccard_similarity_score(df[‘Item A’],df[‘Item B’])
  • from sklearn.metrics.pairwise import pairwise_distances
  • user_similar = 1-pairwise_distances(df,metric=‘jaccard’)

• 一般用评分去做协同过滤 推荐使用皮尔逊相关系数

  • 评分预测

  • $$pred(u,i)={\hat{r}}_{ui}=\frac{{\sum }_{v\in U}sim(u,v)\ast r_{vi}}{{\sum }_{v\in U}|sim(u,v)|}$$

• 基于用户和基于物品的协同过滤 严格上说，属于两种算法，实践中可以都做出来，对比效果，选择最靠谱的

协同过滤 基于模型的算法

• 用户-物品矩阵比较稀疏的时候 直接去取物品向量 用户向量计算相似度 不太适合
• 基于模型的方法可以解决用户-物品矩阵比较稀疏的问题
• 矩阵分解
  • 把大的矩阵拆成两个小的 用户矩阵 物品矩阵 MXN 大矩阵 M X K K X N K<<M k<<N
  • 大矩阵 约等于 用户矩阵 乘 物品矩阵
  • 使用als 交替最小二乘法来优化损失 spark ML recommandation 包封装了als
  • 优化之后的用户矩阵 取出用户向量
  • 优化之后的物品矩阵 取出物品向量
  • 用户向量点乘物品向量 得到最终评分的预测

推荐系统的评价

• 准确率 覆盖率

  • 准确率
    • 学术 rmse mas 点击率预估 精准率
    • 工程 A/B test 对比不同的算法 在线上运行对关键指标的影响
      • baseline 基准线 热门排行
      • 灰度发布

• EE

  • Exploitation & Exploration 探索与利用问题
  • Exploitation 利用用户的历史行为 只给他曾经看过的/消费过的相似物品
  • Exploration(探测 搜索) 发现用户的新兴趣
  • ee问题 实际上是矛盾

• 评估手段

  • 离线评估和在线评估结合, 定期做问卷调查
    • 在线评估
      • 灰度发布 & A/B测试

推荐系统的冷启动

• 用户冷启动
  • 尽可能收集用户信息 构建用户画像（打标签）
  • 根据用户的标签可以做人群聚类 用以有用户的行为做推荐
  • 更多的使用流行度推荐
• 物品冷启动
  • 物品打标签 构建物品画像
  • 基于内容的推荐
• 系统冷启动
  • 如果应用缺少用户行为数据->基于内容的推荐
  • 随着用户行为积累的越来越多->协同过滤
  • 基于内容和协同过滤共同工作

基于内容的推荐

• 给物品打标签
  • 系统自己提取从业务数据库中提取
  • 用户填写
  • 中文分词 利用算法计算词的权重
    • tf-idf tf term frequency 词频 5/100 *2
      • idf 逆文档频率 log 10 文本库篇数/出现关键词的文章篇数
      • 1000 10python 1000/10 100 2
      • 1000/1000 log(1) = 0
    • textrank
• 利用标签的文字 转换成词向量
  • word2Vec 词->向量
  • 用向量来表示语义
  • 如果两个词的词向量相似度比较高 认为这两个词的语义相近
• 利用词向量 构建物品的向量
  • 一个物品有N个关键词 每一个关键词对应一个词向量
  • 求和（权重*词向量）/N
  • 利用N个关键词的词向量获取物品向量
• 通过物品向量计算相似度
  • 皮尔逊 相关系数 计算物品向量的相似度

基于内容的推荐 基于物品的协同过滤 区别

• content_base ：词向量->物品向量->计算相似度

• item_based cf :user-item matrix->物品向量->相似度

• content_base item_based cf 不一样

  • 物品向量构建过程有区别
  • 基于内容的推荐
    • 物品向量 文本（物品描述信息，系统填标签，用户填标签）
  • 基于物品的协同过滤
    • 用户对物品的评分矩阵 用户的行为数据中来

• baseline思想来解决协同过滤的问题

  • 计算出所有用户对所有物品评分的平均值

  • 预测的评分= 在平均值的基础上 + 用户评分偏置 +物品的评分偏置

  • 求解所有用户的评分偏置 和 所有物品的得分偏置

  • 这个问题可以转换成损失优化的过程

• 梯度下降

• 交替最小二乘法

矩阵分解

• SVD 奇异值分解
  • 一个大矩阵 分成3个小矩阵 中间的是一个k方阵
  • SVD只适用于没有缺失 必须是稠密矩阵
• Funk SVD
  • 一个大的 分成两个小矩阵
  • LFM 原理
• BiasSVD 矩阵分解+baseline
• SVD++ 矩阵分解+baseline+其它影响（点击，收藏，购买）

基于内容的推荐

• 画像构建 给用户/物品打标签
  • 物品画像
    • 分类信息
    • 标题
    • 电影/音乐 主演、歌手
  • 用户画像
    • 喜好的物品类别 行为偏好
    • 基本人口学属性
    • 活跃程度
    • 风控纬度
• PGC 应用自己生成
• UGC 用户来生成
• 基于内容推荐的算法流程
  • 用户画像/物品画像
  • 匹配用户画像 物品画像
• 物品冷启动问题
  • 画像->词向量->物品向量->计算物品相似度了
  • 从文本描述的角度找相似的物品
  • 当用户在浏览A的时候 通过上述套路找到跟物品A相似的一系列物品

基于内容推荐流程

① 建立物品画像

• ①用户打tag ②电影的分类值
• 根据电影的id 把tag和分类值合并起来 求tf-idf
• 根据tf-idf的结果 为每一部电影筛选出 top-n（tf-idf比较大的）个关键词
• 电影id-关键词-关键词权重

② 建立倒排索引

• 通过关键词找到电影
• 遍历 电影id-关键词-关键词权重 数据， 读取每一个关键词，用关键词作为key [(关键词对应的电影id,tfidf)] 作为value 保存到dict当中

③ 用户画像

• 看用户看过那些电影， 到电影的 电影id-关键词-关键词权重 数据中 找到电影所对应的关键词
• 把用户看过的所有的关键词放到一起 统计词频 每个词出现了几次
• 出现次数多的关键词 作为用户的兴趣词，这个兴趣词实际上就是用户画像的关键词

④ 根据用户的兴趣词 找到兴趣词对应的电影 多个兴趣词可能对应一个电影 {电影id：[关键词1权重，关键词2权重]}

• 把每一个部电影对应的关键词权重求和之后 排序 权重比较高的排在前面 推荐给用户

词向量

• 用向量来表示词语 可以表示语义层面的含义

• 如果用word2vec模型创建的词向量， 两个词向量相似度比较高，说明这两个词是近义词

• 词向量作用 把含义相近的判断转换成 向量的相似度计算

• 使用 gensim Word2Vec模块训练词向量模型

import gensim
#准备所有用来训练词向量模型的文本内容
sentences = list(movie_profile["profile"].values)
# 参数1 文本 参数2 window 观察上下文关系的窗口长度
# min_count 训练模型时要保留下的词语出现的频率 iter=20 迭代20词
model = gensim.models.Word2Vec(sentences, window=3, min_count=1, iter=20)

• 通过词向量模型找到topn相似词

  model.wv.most_similar(positive=['要找到相似的词的词语'], topn=10)
  

• 文档向量

from gensim.models.doc2vec import Doc2Vec,TaggedDocument
documents = [TaggedDocument(words, [movie_id]) for movie_id, words in movie_profile["profile"].iteritems()]
# 训练模型并保存 Doc2Vec 通过向量来表示一篇文档  一篇文档就对应一个电影
#向量的相似度 代表了电影额相似程度
model = Doc2Vec(documents, vector_size=100, window=3, min_count=1, workers=4, epochs=20)
words = movie_profile["profile"].loc[6]
inferred_vector = model.infer_vector(words) #传入电影的标签 找到电影文档所对应的向量

# 通过docvecs找到传入的向量最相似的n个向量 每一个向量代表了一个电影
sims = model.docvecs.most_similar([inferred_vector], topn=10)

---

加油!

感谢!

努力!