前段时间,从微薄上得到了一个开源电子书:
下载下来看了一下,发现该书讲的数据挖掘算法浅显易懂,受益匪浅,不敢独享,特将我的理解+精简翻译奉上:
协同过滤
1.1. 共同爱好——我喜欢你所喜欢的。
我们从学习推荐系统来开始数据挖掘之旅,推荐系统到处可见,国外的amazon,国内的京东、淘宝等系统。
如何理解推荐系统呢?我们看一个例子:
例如我们在京东浏览一本《数据挖掘概念与技术》:
从页面向下看:
滚动到页面的最下方,可以看到:
京东根据我们说浏览的图书,自动为我们推荐了一些相关的书籍。
推荐系统就是所谓的协同过滤(collaborative filtering),之所以叫协同,是因为得到推荐结果,是大家的力量——从众多用户那里搜集到信息,从中得到推荐信息。
基于用户的推荐——当系统发现你购买了一本《数据挖掘概念与技术》,而有其他用户同时购买了《数据挖掘概念与技术》和《mongobd权威指南》,那么系统猜想你同时喜欢《mongobd权威指南》的可能性也很大,就会把《mongobd权威指南》推荐给你。这种推荐是依据用户相似性,即两个用户有相同的爱好做出的推荐。
基于项目的推荐——将相同类型的东西推荐给用户,如上面的京东推荐的最佳组合就是基于项目的推荐。
首先来看看基于用户的推荐。
1.2. 如何发现两个人具有相似性?
还以图书为例,假设用户对amazon网站的图书进行了评价,从1星到5星,评价从差到好。评价结果如下表:
用户 书名 | Snow Crash | Girl with the Dragon Tattoo |
Amy | 5 | 5 |
Bill | 2 | 5 |
Jim | 1 | 4 |
将结果描述在二维图上:
从图上可以形象的看出:Bill和Jim距离较近。
现在有X先生,他给snow crash打了4星,给dragon tattoo 2星,我们为他推荐什么书籍呢?第一步就是要判断一下X和谁的爱好更相似。
1.2.1. Manhattan Distance——曼哈顿距离
最简单的距离计算方法就是曼哈顿距离,在二维图上,点Amy的坐标是(x1,y1),X的坐标是(x2,y2),那么amy和X之间的曼哈顿距离就是:
|x1-x2|+|y1-y2|。
则X到三个人的曼哈顿距离是:
| 到X的曼哈顿距离 |
Amy | 4 |
Bill | 5 |
Jim | 6 |
Amy是最近的,从图上也可以看出。那么如果Amy喜欢《The windup girl》,那么我们就把这本书推荐给X先生。
曼哈顿距离的优点是计算速度快,单过于简单。
1.2.2. EuclideanDistance——欧几里得距离
欧几里得距离是根据毕达哥拉斯定律得到的,至于该定律,想必大家都学过的,就不再多说了。
重新计算三个点到X的欧几里得距离:
| 到X的欧几里得距离 |
Amy | 3.16 |
Bill | 3.61 |
Jim | 3.61 |
1.2.3. N维扩展
实际情况中,用户可能不止给两本书打分,而是多个,这样就把距离的计算从二维空间推广到了N维空间,当然计算方法是不变的。
计算距离的时候,我们只计算共同项,即标有-标记的书不在计算项目中。
动手:
1. 计算一下Hailey和Veronica之间的欧氏距离。
2. 计算一下Hailey和Jordyn之间的欧氏距离。
答案:
缺陷:从上两题中看出,Hailey和Veronica只有两个共同项,但是他们之间的距离却是1.414,而Hailey和Jordyn之间有5项相同,之间的距离是4.387。很明显,Hailey和Jordyn之间更相似,但是欧氏距离却更大。这就说明该算法有缺陷。当计算的共同项较多时,计算的距离值可信度就更高。
1.2.4. 算法泛化
1.2.5. Minkowski距离算法
从曼哈顿距离和欧几里得距离的计算公式,可以推演出所谓的Minkowski距离算法:
当r=1时,就是曼哈顿距离;
当r=2时,就是欧几里得距离;
当r=∞时,就是无上界距离。
1.3. 算法代码实现
基于用户的推荐算法流程:
本文中,使用python来实现以上算法。
准备数据:
将表中的数据使用python的dict存储起来:
users = {"Angelica": {"Blues Traveler": 3.5, "Broken Bells": 2.0, "Norah Jones": 4.5, "Phoenix": 5.0, "Slightly Stoopid": 1.5, "The Strokes": 2.5, "Vampire Weekend": 2.0},
"Bill":{"Blues Traveler": 2.0, "Broken Bells": 3.5, "Deadmau5": 4.0, "Phoenix": 2.0, "Slightly Stoopid": 3.5, "Vampire Weekend": 3.0},
"Chan": {"Blues Traveler": 5.0, "Broken Bells": 1.0, "Deadmau5": 1.0, "Norah Jones": 3.0, "Phoenix": 5, "Slightly Stoopid": 1.0},
"Dan": {"Blues Traveler": 3.0, "Broken Bells": 4.0, "Deadmau5": 4.5, "Phoenix": 3.0, "Slightly Stoopid": 4.5, "The Strokes": 4.0, "Vampire Weekend": 2.0},
"Hailey": {"Broken Bells": 4.0, "Deadmau5": 1.0, "Norah Jones": 4.0, "The Strokes": 4.0, "Vampire Weekend": 1.0},
"Jordyn": {"Broken Bells": 4.5, "Deadmau5": 4.0, "Norah Jones": 5.0, "Phoenix": 5.0, "Slightly Stoopid": 4.5, "The Strokes": 4.0, "Vampire Weekend": 4.0},
"Sam": {"Blues Traveler": 5.0, "Broken Bells": 2.0, "Norah Jones": 3.0, "Phoenix": 5.0, "Slightly Stoopid": 4.0, "The Strokes": 5.0},
"Veronica": {"Blues Traveler": 3.0, "Norah Jones": 5.0, "Phoenix": 4.0, "Slightly Stoopid": 2.5, "The Strokes": 3.0}
}
测试一下
>>> users["Veronica"]
>>>{'The Strokes': 3.0, 'Slightly Stoopid': 2.5, 'Norah Jones': 5.0, 'Phoenix': 4.0,
'Blues Traveler': 3.0}
>>>
1.3.1. 曼哈顿距离算法:
def manhattan(rate1,rate2):
distance = 0
commonRating = False
for key in rate1:
if key in rate2:
distance+=abs(rate1[key]-rate2[key])
commonRating=True
if commonRating:
return distance
else:
return -1
测试算法:
>>> manhattan(users['Hailey'], users['Veronica'])
2.0
>>> manhattan(users['Hailey'], users['Jordyn'])
1.5
>>>
算法:找到距离最近的用户列表。
1.3.2. 返回最近距离用户
def computeNearestNeighbor(username,users):
distances = []
for key in users:
if key<>username:
distance = manhattan(users[username],users[key])
distances.append((distance,key))
distances.sort()
return distances
测试:
>>> computeNearestNeighbor('Hailey', users)
[(2.0, 'Veronica'), (4.0, 'Chan'),(4.0, 'Sam'), (4.5, 'Dan'), (5.0, 'Angelica'),
(5.5, 'Bill'), (7.5, 'Jordyn')]
>>> 1.3.3. 为用户推荐。
#推荐
def recommend(username,users):
#获得最近用户的name
nearest = computeNearestNeighbor(username,users)[0][1]
recommendations =[]
#得到最近用户的推荐列表
neighborRatings = users[nearest]
for key in neighborRatings:
if not key in users[username]:
recommendations.append((key,neighborRatings[key]))
#排序
recommendations.sort(key=lambda rat:rat[1], reverse=True)
return recommendations
测试:
>>> recommend('Hailey', users)
[('Phoenix', 4.0), ('Blues Traveler', 3.0), ('Slightly Stoopid', 2.5)]
>>> recommend('Chan', users)
[('The Strokes', 4.0), ('Vampire Weekend', 1.0)]
>>> recommend('Sam', users)
[('Deadmau5', 1.0)]
Ok
,一个简单的推荐算法就完成了。
练习3:
实现一个Minkowski距离算法:
答案:
#Minkowski 距离
def minkowski(rate1,rate2,r):
distance = 0
commonRating = False
for key in rate1:
if key in rate2:
distance+=pow(abs(rate1[key]-rate2[key]),r)
commonRating=True
if commonRating:
return pow(distance,1/r)
else:
return -1
练习4:
用Minkowski算法计算computeNearestNeighbor中的欧几里得距离。
答案:
#返回最近距离用户
def computeNearestNeighbor(username,users):
distances = []
for key in users:
if key<>username:
distance = minkowski(users[username],users[key],2)
distances.append((distance,key))
distances.sort()
return distances
1.3.4. 培生相关系数
用户具有偏见性,如Bill打分在2-4之间,而Hailey打分只有1和4.Jordyn打分只有4和5,那么bill打的4分和Jordyn的4分是一样的评价吗?显然不是,但是计算的时候,算法是无法判断的。因此需要降低这种主观带来的影响。所以就有了新的算法。
培生相关系数:Pearson Correlation Coefficient。
培生相关系数是测量两个变量之间的相关性的数值,其范围是从-1到1之间。1表示完全一致,-1表示不一致。与距离算法相反,培生相关稀疏越大越好。
算法:
由于该公式较难实现,有了以下近似算法:
上面的公式看似复杂,很吓人,不过可以一一分解:
例如我们计算Angelica 和 Bill之间的培生相关系数:
那么分子就是70-67.5=2.5
再来计算分母:
由此可以看到,两者的是完全相关的。
练习5:实现培生相关系数算法
以下是测试结果,用来测试你的算法正确性。
>>> pearson(users['Angelica'], users['Bill'])
-0.90405349906826993
>>> pearson(users['Angelica'], users['Hailey'])
0.42008402520840293
>>> pearson(users['Angelica'], users['Jordyn'])
0.76397486054754316
>>>
答案:
def pearson(rate1,rate2):
sum_xy = 0
sum_x=0
sum_y=0
sum_x2=0
sum_y2=0
n=0
for key in rate1:
if key in rate2:
n+=1
x=rate1[key]
y=rate2[key]
sum_xy += x*y
sum_x +=x
sum_y +=y
sum_x2 +=x*x
sum_y2 +=y*y
#计算距离
if n==0:
return 0
else:
sx=sqrt(sum_x2-(pow(sum_x,2)/n))
sy=sqrt(sum_y2-(pow(sum_y,2)/n))
if sx<>0 and sy<>0:
denominator=(sum_xy-sum_x*sum_y/n)/sx/sy
else:
denominator=0
return denominator
练习6:使用培生相关系数替代距离算法,实现简单推荐系统。
1.3.5. 余弦相似性
从上表中,我们可以凭感觉:Sally与Ann更相似。如何用算法实现上述描述呢?
余弦相似性算法:
余弦相似性的值范围从-1到1,值越大表示相似性越高。
练习7:实现余弦相似性算法,并改造我们的推荐算法。
1.4. 不同算法的适用情况
1. 如果数据比较稠密(即数据中的空项很少),那么适用距离算法如欧几里得距离等较合适。
2. 如果数据的差异较大(即不同用户的数据差别较大),Pearson算法较合适。
3. 数据稀疏,余弦相关性算法较合适。
1.5. 弱点
单纯的基于用户的推荐系统是有缺陷的,例如推荐系统计算得到王五和张三最相似,王五其实一点也不喜欢张学友,而张三是张学友家亲戚,当然,张三非常喜欢张学友咯。那么推荐系统会把张学友推荐给张三,实际情况适得其反。
仔细分析一下,主要原因是因为我们把希望全寄托在了这个最相似的用户身上。如果多考虑几个相似的用户的喜好,推荐的效果会更好。因此提出了k-nearest neighbor 算法。
1.6. k-nearest neighbor算法
k-nearest neighbor 算法中的k表示与目标用户最相似的k个用户。例如我们使用pearson算法,得到Ann最相似的三个用户及值:
根据pearson值,计算三个用户所占的权重:
Sally:0.8/(.08+0.7+0.5)=0.4
……
三个人对Grey Wardens的打分:
综合得到Ann对Grey Wardens的打分:
Projected rating = (4.5 x 0.25) + (5 x 0.35) + (3.5 x 0.4)= 4.275
练习8:将pearson算法改造为k-nearest neighbor
本文算法全部代码:
Manhattan http://www.oschina.net/code/snippet_184540_13650
minkowski算法 http://www.oschina.net/code/snippet_184540_13650
pearson算法实现 http://www.oschina.net/code/snippet_184540_13651
余弦相似性实现 http://www.oschina.net/code/snippet_184540_13652
k-nearest neighbor算法 http://www.oschina.net/code/snippet_184540_13653
下一部分:基于项目的推荐算法,slope-one算法