图片来源：unsplash.com/@pixtolero2
你注意过亚马逊的“为你推荐”功能吗？事实上，此功能是由机器学习驱动的，精准无比。
网飞、谷歌、亚马逊、Flipkart等公司斥巨资完善推荐引擎是有原因的。推荐引擎是强大的获客渠道，并能增强用户体验。
举个例子：登录一个常用的网上商城买躺椅，商城会展示出几百种躺椅。
从传统的两座躺椅到回压躺椅；从可升降躺椅到靠墙躺椅。我们试着点开一个皮革手动躺椅：
注意此页面上展现的不同信息。图片左边包含从不同角度拍摄的产品照片。右边展示了产品细节以及相似产品图片。
网站推荐给我们相似的产品，帮消费者节省了手动搜寻和浏览相似扶手椅的时间。
本文将将从一个独特的角度展开展示如何搭建推荐系统，即应用一个NLP概念——Word2vec来进行推荐。
目录
1. word2vec介绍——单词的向量表示
2. 如何生成word2vec词嵌入？
2.1 训练数据
2.2 生成word2vec词嵌入
3. 对非文本数据应用word2vec模型
4. 案例研究：对于网上产品推荐使用word2vec
1. word2vec介绍——单词的向量表示
众所周知，机器处理原始文本数据。实际上，机器几乎不可能处理数据文本之外的其它文本。因此，以向量的形式表示文本一直是所有NLP任务的重要步骤。
其中非常关键的一步是word2vec词嵌入的使用。该方法在2013年被引入NLP领域，完全改变了NLP的前景。
这些嵌入法代表了处理词类比和相似度等任务可达到的最高水准。word2vec嵌入法也能实现King – man +woman ~= Queen（国王–男性 + 女性 ~= 女王等任务），近乎神迹。
现在有两种word2vec模型——连续词袋模型与Skip-Gram模型。本文将使用后者。
首先要了解如何计算word2vec向量或嵌入。
2. 如何生成word2vec词嵌入？
word2vec模型是一个单个简单隐藏层的神经网络模型。模型任务用于预测语句中每个单词的临近单词。然而，我们的目标与此完全无关。我们想做的只是知道模型被训练后隐藏层所学习的权重。这些权重可做被用做词嵌入。
下面的例子用于理解word2vec模型是如何工作的。思考以下句子：
假设“teleport（传输）”这个词作为输入词。该词拥有规格为2的上下文窗口。这意味着只将此词左右两侧的两个单词作为相近单词。
注意：上下文窗口的规格非固定，可根据需要改变。
现在，任务是逐一选择相近单词（上下文窗口中的单词）并确定词汇表中每个单词被选中的可能性。听起来很容易，对吗？
通过另一个例子来理解这个过程。
2.1 训练数据
需要一个标签数据集来训练神经网络模型。这意味着数据集需要有一组输入，每组都会有相应输出。这时你可能会想问以下问题：
· 何处寻找这样的数据集？
· 该数据集需要包含什么内容？
· 这组数据有多大？
好消息！可以很容易地创建自己的标签数据来训练word2vec模型。如下阐述了如何从文本生成数据集。应用其中的一个句子并创建训练数据。
第一步：黄色高亮单词作为输入，绿色高亮单词为输出。窗口规格为2个单词。将首单词作为输入词。
因此，该输入词的训练样本如下所示：
第二步：将第二个单词作为输入词。上下文窗口将同时改变。现在的相近单词变成了“we”、“become”和“what”。
新的训练样本将附于之前的样本后面，如下所示：
重复以上步骤直至最后一个单词。最后，完整的训练数据如下所示：
一个句子能生成27个训练样本。太赞了！这是我喜欢处理非结构化数据的原因之一——能让标签数据集从无到有。
2.2 生成word2vec词嵌入
现在假设存在一组句子，用同样的方法提取出一组训练样本。将会得到大量训练数据。
假设该数据集中唯一单词（即只出现一次的单词）的数量是5000，并且希望为每一个单词创建规格为100的单词向量。同时word2vec架构如下所示：
· V=5000（词汇表规格）
· N=100（隐藏单元数量或词嵌入长度）
输入是独热编码向量，输出层是词汇表中各单词成为相近单词的概率。
一旦模型被训练，很容易提取WV x N 矩阵的学习权重，并用以提取单词。
如上所示，权重矩阵的规格为5000x100。第一行对应词汇表中的第一个单词，第二行对应第二个，以此类推。
这就是通过word2vec生成固定规格的单词向量或单词嵌入的方法。数据集中的相似词会有相似向量，如指向同一方向的向量。比如，“car”和“jeep”两个词有着相似的向量。
这是对于NLP中如何应用word2vec模型的简要介绍。
实操之前请回答这个问题：如何将word2vec模型应用于产品推荐等非NLP任务？相信你从读到本文主题就想到了这一点。下面解决此问题。
3. 将word2vec模型应用于非文本数据
运用word2vec创建文本向量表示所需的自然语言有什么本质特征？
其本质特征即为文本的序列特质。每个句子或短语都包含单词序列。在没有序列的情况下，读者将难以理解文本。试试解释以下句子：
"these most been languages deciphered written of have already"
这个句子没有序列。读者很难理解句意，因此单词序列对于理解任何自然语言都很重要。此特质让我想到同样拥有序列的数据。
这样的一组数据是电商网站顾客的购物记录。消费者行为通常存在一定模式。比如，参与运动相关活动的人群可能会有如下购买模式：
购买历史
如果每一个产品都能用向量表示，就能很容易地找到相似产品。因此，如果顾客正在网上浏览商品，那么应用两产品之间的向量相似性评分很容易为其推荐相似产品。
然而，如何生成产品的向量表示呢？可以使用word2vec模型生成吗？
当然可以！把顾客购买历史作为输入句子，把商品作为输出单词：
进一步处理网上零售数据，运用word2vec嵌入就能构建出一个推荐系统。
4. 案例研究：使用word2vec模型用Python进行网上商品推荐
搭建并理解我们的问题陈述。
需要基于顾客消费历史，在电商网站上为其建立自动推荐特定数量商品的系统。
点击此链接，使用一组网上零售数据集：https://archive.ics.uci.edu/ml/machine-learning-databases/00352/
启动Jupyter Notebook，快速导入所需库并载入数据集。
import pandas as pdimport numpy as npimport randomfrom tqdm import tqdmfrom gensim.models import Word2Vec import matplotlib.pyplot as plt%matplotlib inline
import warnings;warnings.filterwarnings('ignore')df = pd.read_excel('Online Retail.xlsx')df.head()
以下是对于该数据集某些领域的描述：
1. InvoiceNo: 发票号码，每次交易对应的唯一数字
2. StockCode: 产品/物品编码，每一唯一商品对应的唯一数字
3. Description：产品描述
4. Quantity：每次交易每种产品的数量
5. InvoiceDate: 每次交易生成的日期和时间
6. CustomerID：顾客ID，每位顾客对应的唯一数字。
df.shape输出: (541909, 8)
该数据集包含541909次交易。这是一个搭建模型的极佳数字。
处理缺失数据
# check for missing valuesdf.isnull().sum()
已有充足数据，接下来去除所有含缺失值的行。
# remove missing valuesdf.dropna(inplace=True)数据准备
将产品编码转换为线性数据：
df['StockCode']= df['StockCode'].astype(str)查看数据集中唯一顾客的数量：
customers = df["CustomerID"].unique().tolist()len(customers)输出：4372
数据集中有4372个顾客。对于每一个顾客，提取其购买历史。换句话说，有4372个购买顺序。
从数据集中保留一小部分用以验证是很好的做法。因此，将使用90%的顾客数据创建word2vec嵌入。将数据分割。
# shuffle customer ID'srandom.shuffle(customers)
# extract 90% of customer ID'scustomers_train = [customers[i] for i in range(round(0.9*len(customers)))]
# split data into train and validation settrain_df = df[df['CustomerID'].isin(customers_train)]validation_df = df[~df['CustomerID'].isin(customers_train)]将对于数据集中的顾客创建购买顺序，兼顾训练和验证的目的。
# list to capture purchase history of the customerspurchases_train = []
# populate the list with the product codesfor i in tqdm(customers_train): temp = train_df[train_df["CustomerID"] == i]["StockCode"].tolist() purchases_train.append(temp)# list to capture purchase history of the customerspurchases_val = []
# populate the list with the product codesfor i in tqdm(validation_df['CustomerID'].unique()): temp = validation_df[validation_df["CustomerID"] == i]["StockCode"].tolist() purchases_val.append(temp)为产品创建word2vec词嵌入
# train word2vec modelmodel = Word2Vec(window = 10, sg = 1, hs = 0, negative = 10, # for negative sampling alpha=0.03, min_alpha=0.0007, seed = 14)
model.build_vocab(purchases_train, progress_per=200)
model.train(purchases_train, total_examples = model.corpus_count, epochs=10, report_delay=1)因为不再需要训练模型，呼叫 init_sims( )。这会使得模型记忆能力更强。
model.init_sims(replace=True)查看模型总结：
print(model)输出：word2vec(词汇=3151，规格=100，透明度=0.03)
本模型有3151个唯一单词，其规格向量各自为100。接下来，提取词汇表中所有单词的向量，将其存储以便取用。
# extract all vectorsX = model[model.wv.vocab]
X.shape输出：（3151，100）
视觉化word2vec词嵌入
视觉化呈现已创建的嵌入总是很有帮助。此处有100个维度的嵌入。我们连4维都不能视觉化呈现，更别提100维了。那究竟该怎么办呢？
将通过UMAP算法把产品嵌入维度从100减少至2。这在维度减少中的应用十分常见。
import umap
cluster_embedding = umap.UMAP(n_neighbors=30, min_dist=0.0, n_components=2, random_state=42).fit_transform(X)
plt.figure(figsize=(10,9))plt.scatter(cluster_embedding[:, 0], cluster_embedding[:, 1], s=3, cmap='Spectral')
上图中每个点都代表一个产品。图上几处聚集的数据点代表相似产品。
开始推荐产品
恭喜！数据集中每一个产品的word2vec嵌入都已完成。现在，需要为特定产品或产品向量推荐相似产品。
首先创建产品ID以及产品描述库，以便于将产品描述和ID相互匹配。
products = train_df[["StockCode", "Description"]]
# remove duplicatesproducts.drop_duplicates(inplace=True, subset='StockCode', keep="last")
# create product-ID and product-description dictionaryproducts_dict = products.groupby('StockCode')['Description'].apply(list).to_dict()# test the dictionaryproducts_dict['84029E']输出：[‘RED WOOLLY HOTTIE WHITE HEART.’]
以下对该函数进行了定义。将产品向量作为输入，相似性最大的6个产品为输出：
def similar_products(v, n = 6): # extract most similar products for the input vector ms = model.similar_by_vector(v, topn= n+1)[1:] # extract name and similarity score of the similar products new_ms = [] for j in ms: pair = (products_dict[j[0]][0], j[1]) new_ms.append(pair) return new_ms尝试运行函数，传输产品‘90019A’的向量（‘SILVER M.O.P ORBIT BRACELET’)：
similar_products(model['90019A'])输出：
[(‘SILVER M.O.P ORBIT DROP EARRINGS’, 0.766798734664917),
(‘PINK HEART OF GLASS BRACELET’, 0.7607438564300537),
(‘AMBER DROP EARRINGS W LONG BEADS’, 0.7573930025100708),
(‘GOLD/M.O.P PENDANT ORBIT NECKLACE’, 0.7413625121116638),
(‘ANT COPPER RED BOUDICCA BRACELET’, 0.7289256453514099),
(‘WHITE VINT ART DECO CRYSTAL NECKLAC’, 0.7265784740447998)]
很好！结果关联度很高，且与输入产品匹配度高。然而，输出只是基于单一产品向量。如果要基于多次购物历史推荐产品呢？
一个简单的解决办法是：提取顾客所购买全部产品向量平均值并根据其找到相似产品。将使用如下包含众多产品ID的函数，其输出了一个100维向量，这是输入产品向量之一：
def aggregate_vectors(products): product_vec = [] for i in products: try: product_vec.append(model[i]) except KeyError: continue return np.mean(product_vec, axis=0)注意之前已创建购买顺序的单独列表以便验证。现在将其利用起来。
len(purchases_val[0])输出：314
第一个已购产品的列表长度为314。将用于验证的产品顺序表输入函数aggregate_vectors。
aggregate_vectors(purchases_val[0]).shape输出：（100，）
函数输出100个维度。这意味着函数运转正常。现在用此结果得出最相似的产品：
similar_products(aggregate_vectors(purchases_val[0]))输出：
[(‘PARTY BUNTING’, 0.661663293838501),
(‘ALARM CLOCK BAKELIKE RED ‘, 0.640213131904602),
(‘ALARM CLOCK BAKELIKE IVORY’, 0.6287959814071655),
(‘ROSES REGENCY TEACUP AND SAUCER ‘, 0.6286610960960388),
(‘SPOTTY BUNTING’, 0.6270893216133118),
(‘GREEN REGENCY TEACUP AND SAUCER’, 0.6261675357818604)]
结果显示，系统可根据顾客全部消费历史推荐6个产品。而且，若想根据最后几次购买记录得到推荐，也可以使用相同的函数。
以下仅以近十次购买记录作为输入：
similar_products(aggregate_vectors(purchases_val[0][-10:]))输出：
[(‘PARISIENNE KEY CABINET ‘, 0.6296610832214355),
(‘FRENCH ENAMEL CANDLEHOLDER’, 0.6204789876937866),
(‘VINTAGE ZINC WATERING CAN’, 0.5855435729026794),
(‘CREAM HANGING HEART T-LIGHT HOLDER’, 0.5839680433273315),
(‘ENAMEL FLOWER JUG CREAM’, 0.5806118845939636)]
可代入不同编码和验证组中的顺序生成不同推荐。
完整代码传送门：https://github.com/prateekjoshi565/recommendation_system/blob/master/recommender_2.ipynb
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
