【推荐算法】从零开始做推荐（五）——贝叶斯个性化排序矩阵分解 (BPRMF) 推荐实战

前言

   之前我们已经陆续完成了数据集、评价指标和经典算法MF推荐的实战，接下来本章将介绍另一种应用也非常广泛的推荐技术：贝叶斯个性化排序（Bayesian Personalized Ranking, BPR）。将基于BPR矩阵分解进行推荐实战。

  如果你对本系列(未写完，持续更新中)感兴趣，可接以下传送门：
  【推荐算法】从零开始做推荐（一）——认识推荐、认识数据
  【推荐算法】从零开始做推荐（二）——推荐系统的评价指标，计算原理与实现样例
  【推荐算法】从零开始做推荐（三）——传统矩阵分解的TopK推荐
  【推荐算法】从零开始做推荐（四）——python Keras框架 利用Embedding实现矩阵分解TopK推荐
  【推荐算法】从零开始做推荐（五）——贝叶斯个性化排序矩阵分解 (BPRMF) 推荐实战
  【推荐算法】从零开始做推荐（六）——贝叶斯性化排序矩阵分解 (BPRMF) 的Tensorflow版

什么是BPR？

  这就要提到本人神交已久的引路人刘建平先生文章的介绍：贝叶斯个性化排序(BPR)算法小结。中文讲解，十分详细。
  本文重在实现，这里只做一个简单的介绍，以下为本人对BPR的理解：假设用户 $u$ 能观测到所有的项目，那么对于用户最终点击访问的项目 $i$, 和最终未访问的项目 $j$，有偏好 $i{>}_{u}j$。因此，BPR寻求一批参数 $\Theta$，使得概率$P(\Theta |{>}_u)$最大.
  这里举个例子，比如网易云给你推荐了一个歌单，里面有10首歌，10首你都看到了，然后选了第一首，其他没选。那么在这10首歌里，相比于其他9首你更喜欢第一首，即访问第一首的概率要比其他9首要大，学出来的参数就要能很好地描述这一点。
  那么说直白点，就是期望用户访问过的项目，其评分要高于未访问过的，我们的目标即为最大化两者之间的差距。
  在这个过程中，我们可以明确几点：
  1. BPR不是具体的推荐方法，而是一种思想，因此它可以应用在多种推荐模型上，本文将其应用到矩阵分解上。
  2. BPR是一种参数学习的方法，得到的参数是基于BPR思想的。

核心算法

  以下内容以刘建平老师的博客为基准进行实现。

损失函数

$$\begin{gathered} \arg \underset{\theta }{\max }l(\theta )=\sum _{(u,i,j)\in D}ln\sigma ({\overline{x}}_{ui}-{\overline{x}}_{uj})+\lambda ||\theta |{|}^2, \\ \sigma (x)=\frac{1}{1+e^{-x}} \end{gathered}$$

求解过程

求解算法