#####带时间衰减因子#####应用实战: 如何利用Spark集群计算物品相似度

本文是Spark调研笔记的最后一篇，以代码实例说明如何借助Spark平台高效地实现推荐系统CF算法中的物品相似度计算。

在推荐系统中，最经典的推荐算法无疑是协同过滤（Collaborative Filtering, CF），而item-cf又是CF算法中一个实现简单且效果不错的算法。
在item-cf算法中，最关键的步骤是计算物品之间的相似度。本文以代码实例来说明如何利用Spark平台快速计算物品间的余弦相似度。
Cosine Similarity是相似度的一种常用度量，根据《推荐系统实践》一书第2.4.2节关于Item-CF算法部分的说明，其计算公式如下：

举个例子，若对item1有过行为的用户集合为{u1, u2, u3}，对item2有过行为的用户集合为{u1, u3, u4, u5}，则根据上面的式子，item1和item2间的相似度为2/(3*4)，其中分子的2是因为item1的user_list与item2的user_list的交集长度为2，即item1和item2的共现（co-occurence）次数是2。

在工程实现上，根据论文"Empirical Analysis of Predictive Algorithms for Collaborative Filtering"的分析，为对活跃用户做惩罚，引入了IUF (Inverse User Frequency)的概念（与TF-IDF算法引入IDF的思路类似：活跃用户对物品相似度的贡献应该小于不活跃的用户），因此，对余弦相似度做改进后相似度计算公式如下：

可以看到，上式分子部分的1/log(1 + N(u))体现了对活跃用户的惩罚。

此外，通常认为用户在相隔很短的时间内喜欢的物品具有更高相似度。因此，工程实现上，还会考虑时间衰减效应。一种典型的时间衰减函数如下所示：

最终，时间上下文相关的Item-CF算法中的相似度计算公式如下：

上式中，分母部分与标准的相似度公式分母保持一致；分子部分参与运算的是item_i和item_j的共现用户集合，其中，f(t)是时间衰减效应的体现，N(u)对活跃用户做了惩罚。

下面的Python代码是计算物品相似度的Spark任务的代码片段（从HDFS加载用户历史行为日志，计算物品相似度，相似列表取TopN，将相似度计算结果写会HDFS），供大家参考：

[python]  view plain  copy

1. #!/bin/env/python  
2.   
3.   
4. import pyspark as ps  
5. import math  
6. import datetime as dt  
7. import util  
8.   
9.   
10. def generate_item_pair(x):  
11.     """ 
12.         Find co-occurence items of every given user  
13.         Return a tuple in the format of ((item_0, item_1), cooccurrence_factor). 
14.     """  
15.     items = x[1]  
16.     item_cnt = len(items)  
17.     alpha = 1  
18.     for i in items:  
19.         item1 = i[0]  
20.         ts1   = i[1]  
21.         for j in items:  
22.             item2 = j[0]  
23.             ts2   = j[1]  
24.             if item1 != item2:  
25.                 ## introduce time decay and penalize active users  
26.                 ft = 1.0 / (1 + alpha * abs(ts1 - ts2))  
27.                 yield ((item1, item2), (ft / math.log(1 + item_cnt)))  
28.   
29.   
30. def compute_item_similarity(x):  
31.     items = x[0]  
32.     cooccurrence = float(x[1])  
33.     item_dict = g_item_freq_d   
34.     norm_factor = 5  
35.     if items[0] in item_dict and items[1] in item_dict:  
36.         freq_0 = item_dict[items[0]]  
37.         freq_1 = item_dict[items[1]]  
38.         ## calculate similarity between the item pair  
39.         sim = cooccurrence / math.sqrt(freq_0 * freq_1)  
40.         ## normalize similarity  
41.         norm_sim = (cooccurrence / (cooccurrence + norm_factor)) * sim  
42.         yield (items[0], (items[1], norm_sim))  
43.   
44.   
45. def sort_items(x):  
46.     """ 
47.         For a given item, sort all items similar to it as descent (using similarity scores), take topN similar items, and return as the following format: 
48.         given_item \t sorted_item_0$sorted_score_0,sorted_item_1$sorted_score_1,... 
49.     """  
50.     similar_items = list(x[1])  
51.     if len(similar_items) > 0:  
52.         ## sort list of (item, score) tuple by score from high to low  
53.         similar_items.sort(key=lambda x: x[1], reverse=True)  
54.         ## format the list of sorted items as a string  
55.         similar_items_str = ",".join(["$".join(map(str,item)) for item in similar_items[0:50]])  
56.         yield "\t".join([str(x[0]), similar_items_str])  
57.   
58.   
59. def main():  
60.     base_hdfs_uri = "hdfs://to/user/behavior/log"  
61.     today = dt.date.today()  
62.     knn_similarity_file = '%s/%s/knn_sim' % (base_hdfs_uri, today.strftime('%Y%m%d'))  
63.   
64.     sc = ps.SparkContext()  
65.   
66.     ## load user behavior from hdfs log  
67.     ## each element in user_item is a tuple: (user, (item, timestamp))  
68.     history_s = (today - dt.timedelta(8)).strftime('%Y%m%d')  
69.     history_e = (today - dt.timedelta(2)).strftime('%Y%m%d')  
70.     input_files = util.get_input_files(action='play', start=history_s, end=history_e)  
71.     user_item = sc.textFile(",".join(input_files))\  
72.         .mapPartitions(util.parse_user_item) \  
73.         .map(lambda x: (x[0], (x[1], x[2]))) \  
74.         .distinct() \  
75.         .cache()  
76.   
77.     ## compute item frequency and store as a global dict  
78.     item_freq = user_item.map(lambda x: (x[1][0], 1)) \  
79.         .reduceByKey(lambda x, y: x + y) \  
80.         .collect()  
81.     global g_item_freq_d  
82.     g_item_freq_d = dict()  
83.     for x in item_freq:  
84.         g_item_freq_d[x[0]] = x[1]  
85.      
86.     ## compute item similarity and find top n most similar items    
87.     item_pair_sim = user_item.groupByKey() \  
88.         .flatMap(generate_item_pair) \  
89.         .reduceByKey(lambda x, y: x + y) \  
90.         .flatMap(compute_item_similarity) \  
91.         .groupByKey() \  
92.         .flatMap(sort_items) \  
93.         .cache()  
94.   
95.     ## dump to hdfs  
96.     item_pair_sim.repartition(1).saveAsTextFile(knn_similarity_file)  
97.   
98.   
99. if __name__ == '__main__':  
100.     main()  

上面的代码中，import util中引入的util只是负责从HDFS获取用户历史日志的文件名列表，非常简单，实现细节这里不赘述。

【参考资料】
1. wikipedia: Collaborative filtering
2. 推荐系统实践（项亮著）第2.4.2节: 基于物品的协同过滤算法
3. Paper: Empirical Analysis of Predictive Algorithms for Collaborative Filtering
4. 推荐系统实践（项亮著）第5.1.6节: 时间上下文相关的ItemCF算法
5.  Spark Programming Guide

========================== EOF ===========================