文章目录
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
实时计算优缺点
- 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
实时计算的框架
- 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减去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
- p r e d ( u , i ) = r ^ u i = ∑ v ∈ U s i m ( u , v ) ∗ r v i ∑ v ∈ U ∣ s i m ( u , v ) ∣ pred(u,i)=\hat{r}{ui}=\cfrac{\sum_{v\in U}sim(u,v)*r_{vi}}{\sum_{v\in U}|sim(u,v)|} pred(u,i)=r^ui=∑v∈U∣sim(u,v)∣∑v∈Usim(u,v)∗rvi
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 M ∗ N M*N M∗N 大矩阵 M ∗ K M*K M∗K 和 K ∗ N K*N K∗N (其中 K < < M K<<M K<<M、 k < < N k<<N 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 用已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 l g 文 本 库 篇 数 出 现 关 键 词 的 文 章 篇 数 lg {\frac{文本库篇数}{出现关键词的文章篇数}} lg出现关键词的文章篇数文本库篇数
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
- ∑ ( 权 重 ∗ 词 向 量 ) N \frac{\sum{(权重*词向量)}}{N} N∑(权重∗词向量)
- 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