基于baseline、svd和stochastic gradient descent的个性化推荐系统

文章主要介绍的是koren 08年发的论文[1],  2.3部分内容（其余部分会陆续补充上来）。

koren论文中用到netflix 数据集， 过于大， 在普通的pc机上运行时间很长很长。考虑到写文章目地主要是已介绍总结方法为主，所以采用Movielens 数据集。

变量介绍

部分变量介绍可以参看《基于baseline和stochastic gradient descent的个性化推荐系统》

文章中，将介绍两种方法实现的简易个性化推荐系统，用RMSE评价标准，对比这两个方法的实验结果。

（1） svd + stochstic gradient descent 方法来实现系统。

（2） baseline + svd + stochastic gradient descent 方法来实现系统。

注：

方法1： svd + stochastic gradient descent

svd:  

cost  function:

梯度变化（利用stochastic gradient descent算法使上述的目标函数值，在设定的迭代次数内，降到最小）

方法1，具体代码实现

[python]  view plain copy print ?

1. ''''' 
2. Created on Dec 13, 2012 
3.  
4. @Author: Dennis Wu 
5. @E-mail: hansel.zh@gmail.com 
6. @Homepage: http://blog.csdn.net/wuzh670 
7.  
8. Data set download from : http://www.grouplens.org/system/files/ml-100k.zip 
9. '''  
10.   
11. from operator import itemgetter, attrgetter  
12. from math import sqrt  
13. import random  
14.   
15. def load_data():  
16.       
17.     train = {}  
18.     test = {}  
19.     filename_train = 'data/ua.base'  
20.     filename_test = 'data/ua.test'  
21.       
22.     for line in open(filename_train):  
23.         (userId, itemId, rating, timestamp) = line.strip().split('\t')  
24.         train.setdefault(userId,{})  
25.         train[userId][itemId] = float(rating)  
26.     
27.     for line in open(filename_test):  
28.         (userId, itemId, rating, timestamp) = line.strip().split('\t')  
29.         test.setdefault(userId,{})  
30.         test[userId][itemId] = float(rating)  
31.           
32.     return train, test  
33.   
34. def calMean(train):  
35.     stat = 0  
36.     num = 0  
37.     for u in train.keys():  
38.         for i in train[u].keys():  
39.             stat += train[u][i]  
40.             num += 1  
41.     mean = stat*1.0/num  
42.     return mean  
43.   
44. def initialFeature(feature, userNum, movieNum):  
45.   
46.     random.seed(0)  
47.     user_feature = {}  
48.     item_feature = {}  
49.     i = 1  
50.     while i < (userNum+1):  
51.         si = str(i)  
52.         user_feature.setdefault(si,{})  
53.         j = 1  
54.         while j < (feature+1):  
55.             sj = str(j)  
56.             user_feature[si].setdefault(sj,random.uniform(0,1))  
57.             j += 1  
58.         i += 1  
59.       
60.     i = 1  
61.     while i < (movieNum+1):  
62.         si = str(i)  
63.         item_feature.setdefault(si,{})  
64.         j = 1  
65.         while j < (feature+1):  
66.             sj = str(j)  
67.             item_feature[si].setdefault(sj,random.uniform(0,1))  
68.             j += 1  
69.         i += 1  
70.     return user_feature, item_feature  
71.   
72. def svd(train, test, userNum, movieNum, feature, user_feature, item_feature):  
73.   
74.     gama = 0.02  
75.     lamda = 0.3  
76.     slowRate = 0.99  
77.     step = 0  
78.     preRmse = 1000000000.0  
79.     nowRmse = 0.0  
80.       
81.     while step < 100:  
82.         rmse = 0.0  
83.         n = 0  
84.         for u in train.keys():  
85.             for i in train[u].keys():  
86.                 pui = 0  
87.                 k = 1  
88.                 while k < (feature+1):  
89.                     sk = str(k)  
90.                     pui += user_feature[u][sk] * item_feature[i][sk]  
91.                     k += 1  
92.                 eui = train[u][i] - pui  
93.                 rmse += pow(eui,2)  
94.                 n += 1  
95.                 k = 1  
96.                 while k < (feature+1):  
97.                     sk = str(k)  
98.                     user_feature[u][sk] += gama*(eui*item_feature[i][sk] - lamda*user_feature[u][sk])  
99.                     item_feature[i][sk] += gama*(eui*user_feature[u][sk] - lamda**item_feature[i][sk])  
100.                     k += 1  
101.               
102.         nowRmse = sqrt(rmse*1.0/n)  
103.         print 'step: %d      Rmse: %s' % ((step+1), nowRmse)  
104.         if (nowRmse < preRmse):  
105.             preRmse = nowRmse  
106.               
107.         gama *= slowRate  
108.         step += 1  
109.           
110.     return user_feature, item_feature  
111.   
112. def calRmse(test, user_feature, item_feature, feature):  
113.       
114.     rmse = 0.0  
115.     n = 0  
116.     for u in test.keys():  
117.         for i in test[u].keys():  
118.             pui = 0  
119.             k = 1  
120.             while k < (feature+1):  
121.                 sk = str(k)  
122.                 pui += user_feature[u][sk] * item_feature[i][sk]  
123.                 k += 1  
124.             eui = pui - test[u][i]  
125.             rmse += pow(eui,2)  
126.             n += 1  
127.     rmse = sqrt(rmse*1.0 / n)  
128.     return rmse;  
129.      
130. if __name__ == "__main__":  
131.   
132.     # load data  
133.     train, test = load_data()  
134.     print 'load data success'  
135.   
136.     # initial user and item feature, respectly  
137.     user_feature, item_feature = initialFeature(100, 943, 1682)  
138.     print 'initial user and item feature, respectly success'  
139.       
140.     # baseline + svd + stochastic gradient descent  
141.     user_feature, item_feature = svd(train, test, 943, 1682, 100, user_feature, item_feature)  
142.     print 'svd + stochastic gradient descent success'  
143.       
144.     # compute the rmse of test set  
145.     print 'the Rmse of test test is: %s' % calRmse(test, user_feature, item_feature, 100)  
146.       
147.       

方法2：baseline + svd + stochastic gradient descent 

baseline + svd:

object function:

梯度变化（利用stochastic gradient descent算法使上述的目标函数值，在设定的迭代次数内，降到最小）

方法2： 具体代码实现

[python]  view plain copy print ?

1. ''''' 
2. Created on Dec 13, 2012 
3.  
4. @Author: Dennis Wu 
5. @E-mail: hansel.zh@gmail.com 
6. @Homepage: http://blog.csdn.net/wuzh670 
7.  
8. Data set download from : http://www.grouplens.org/system/files/ml-100k.zip 
9. '''  
10.   
11. from operator import itemgetter, attrgetter  
12. from math import sqrt  
13. import random  
14.   
15. def load_data():  
16.       
17.     train = {}  
18.     test = {}  
19.     filename_train = 'data/ua.base'  
20.     filename_test = 'data/ua.test'  
21.       
22.     for line in open(filename_train):  
23.         (userId, itemId, rating, timestamp) = line.strip().split('\t')  
24.         train.setdefault(userId,{})  
25.         train[userId][itemId] = float(rating)  
26.     
27.     for line in open(filename_test):  
28.         (userId, itemId, rating, timestamp) = line.strip().split('\t')  
29.         test.setdefault(userId,{})  
30.         test[userId][itemId] = float(rating)  
31.           
32.     return train, test  
33.   
34. def calMean(train):  
35.     stat = 0  
36.     num = 0  
37.     for u in train.keys():  
38.         for i in train[u].keys():  
39.             stat += train[u][i]  
40.             num += 1  
41.     mean = stat*1.0/num  
42.     return mean  
43.   
44. def initialBias(train, userNum, movieNum, mean):  
45.   
46.     bu = {}  
47.     bi = {}  
48.     biNum = {}  
49.     buNum = {}  
50.       
51.     u = 1  
52.     while u < (userNum+1):  
53.         su = str(u)  
54.         for i in train[su].keys():  
55.             bi.setdefault(i,0)  
56.             biNum.setdefault(i,0)  
57.             bi[i] += (train[su][i] - mean)  
58.             biNum[i] += 1  
59.         u += 1  
60.           
61.     i = 1  
62.     while i < (movieNum+1):  
63.         si = str(i)  
64.         biNum.setdefault(si,0)  
65.         if biNum[si] >= 1:  
66.             bi[si] = bi[si]*1.0/(biNum[si]+25)  
67.         else:  
68.             bi[si] = 0.0  
69.         i += 1  
70.   
71.     u = 1  
72.     while u < (userNum+1):  
73.         su = str(u)  
74.         for i in train[su].keys():  
75.             bu.setdefault(su,0)  
76.             buNum.setdefault(su,0)  
77.             bu[su] += (train[su][i] - mean - bi[i])  
78.             buNum[su] += 1  
79.         u += 1  
80.           
81.     u = 1  
82.     while u < (userNum+1):  
83.         su = str(u)  
84.         buNum.setdefault(su,0)  
85.         if buNum[su] >= 1:  
86.             bu[su] = bu[su]*1.0/(buNum[su]+10)  
87.         else:  
88.             bu[su] = 0.0  
89.         u += 1  
90.   
91.     return bu,bi  
92.   
93. def initialFeature(feature, userNum, movieNum):  
94.   
95.     random.seed(0)  
96.     user_feature = {}  
97.     item_feature = {}  
98.     i = 1  
99.     while i < (userNum+1):  
100.         si = str(i)  
101.         user_feature.setdefault(si,{})  
102.         j = 1  
103.         while j < (feature+1):  
104.             sj = str(j)  
105.             user_feature[si].setdefault(sj,random.uniform(0,1))  
106.             j += 1  
107.         i += 1  
108.       
109.     i = 1  
110.     while i < (movieNum+1):  
111.         si = str(i)  
112.         item_feature.setdefault(si,{})  
113.         j = 1  
114.         while j < (feature+1):  
115.             sj = str(j)  
116.             item_feature[si].setdefault(sj,random.uniform(0,1))  
117.             j += 1  
118.         i += 1  
119.     return user_feature, item_feature  
120.   
121. def svd(train, test, mean, userNum, movieNum, feature, user_feature, item_feature, bu, bi):  
122.   
123.     gama = 0.02  
124.     lamda = 0.3  
125.     slowRate = 0.99  
126.     step = 0  
127.     preRmse = 1000000000.0  
128.     nowRmse = 0.0  
129.       
130.     while step < 100:  
131.         rmse = 0.0  
132.         n = 0  
133.         for u in train.keys():  
134.             for i in train[u].keys():  
135.                 pui = 1.0 * (mean + bu[u] + bi[i])  
136.                 k = 1  
137.                 while k < (feature+1):  
138.                     sk = str(k)  
139.                     pui += user_feature[u][sk] * item_feature[i][sk]  
140.                     k += 1  
141.                 eui = train[u][i] - pui  
142.                 rmse += pow(eui,2)  
143.                 n += 1  
144.                 bu[u] += gama * (eui - lamda * bu[u])  
145.                 bi[i] += gama * (eui - lamda * bi[i])  
146.                 k = 1  
147.                 while k < (feature+1):  
148.                     sk = str(k)  
149.                     user_feature[u][sk] += gama*(eui*item_feature[i][sk] - lamda*user_feature[u][sk])  
150.                     item_feature[i][sk] += gama*(eui*user_feature[u][sk] - lamda*item_feature[i][sk])  
151.                     k += 1  
152.               
153.         nowRmse = sqrt(rmse*1.0/n)  
154.         print 'step: %d      Rmse: %s' % ((step+1), nowRmse)  
155.         if (nowRmse < preRmse):  
156.             preRmse = nowRmse  
157.               
158.         gama *= slowRate  
159.         step += 1  
160.     return user_feature, item_feature, bu, bi  
161.   
162. def calRmse(test, bu, bi, user_feature, item_feature, mean, feature):  
163.       
164.     rmse = 0.0  
165.     n = 0  
166.     for u in test.keys():  
167.         for i in test[u].keys():  
168.             pui = 1.0 * (mean + bu[u] + bi[i])  
169.             k = 1  
170.             while k < (feature+1):  
171.                 sk = str(k)  
172.                 pui += user_feature[u][sk] * item_feature[i][sk]  
173.                 k += 1  
174.             eui = pui - test[u][i]  
175.             rmse += pow(eui,2)  
176.             n += 1  
177.     rmse = sqrt(rmse*1.0 / n)  
178.     return rmse;  
179.      
180. if __name__ == "__main__":  
181.   
182.     # load data  
183.     train, test = load_data()  
184.     print 'load data success'  
185.       
186.     # Calculate overall mean rating  
187.     mean = calMean(train)  
188.     print 'Calculate overall mean rating success'  
189.   
190.     # initial user and item Bias, respectly  
191.     bu, bi = initialBias(train, 943, 1682, mean)  
192.     print 'initial user and item Bias, respectly success'  
193.   
194.     # initial user and item feature, respectly  
195.     user_feature, item_feature = initialFeature(100, 943, 1682)  
196.     print 'initial user and item feature, respectly success'  
197.       
198.     # baseline + svd + stochastic gradient descent  
199.     user_feature, item_feature, bu, bi = svd(train, test, mean, 943, 1682, 100, user_feature, item_feature, bu, bi)  
200.     print 'baseline + svd + stochastic gradient descent success'  
201.       
202.     # compute the rmse of test set  
203.     print 'the Rmse of test test is: %s' % calRmse(test, bu, bi, user_feature, item_feature, mean, 100)  
204.       
205.       

实验参数设置：

   

(gama = 0.02  lamda =0.3)

   feature = 100 maxstep = 100 slowRate = 0.99(随着迭代次数增加，梯度下降幅度越来越小) 

方法1结果：Rmse of test set : 1.00422938926

方法2结果：Rmse of test set : 0.963661477881

REFERENCES

1.Y. Koren. Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model. Proc. 14th ACM SIGKDD Int. Conf. On Knowledge Discovery and Data Mining  (KDD’08), pp. 426–434, 2008.

2. Y.Koren.  The BellKor Solution to the Netflix Grand Prize  2009

转载请注明：转自 zh's note    http://blog.csdn.net/wuzh670/