一. SVD
1. 基本概念:
(1)定义:提取信息的方法:奇异值分解Singular Value Decomposition(SVD)
(2)优点:简化数据, 去除噪声,提高算法的结果
(3)缺点:数据转换难以想象,耗时,损失特征
(4)适用于:数值型数据
2. 应用:
(1)隐性语义索引(LSI/LSA)
(2)推荐系统
3. 原理——矩阵分解
将原始的数据集矩阵data(m*n)分解成三个矩阵U(m*n), Sigma(n*m), VT(m*n):
对于Sigma矩阵:
- 该矩阵只用对角元素,其他元素均为零
- 对角元素从大到小排列。这些对角元素称为奇异值,它们对应了原始数据集矩阵的奇异值
- 这里的奇异值就是矩阵data特征值的平方根。
- 在某个奇异值的数目( 1个 )之后,其他的奇异值都置为0。这就意味着数据集中仅有r个重要特征,而其余特征则都是噪声或冗余特征。
- 确认r——启发式策略
- 保留矩阵中90%的能量信息,将奇异值平方和累加加到90%
- 若有上万奇异值,则保留2-3k
- 确认r——启发式策略
4. 实现:
Numpy中称为linalg的线性代数工具:la.svd()
import numpy as np from numpy impot linalg as la data = np.array([[4, 4, 0, 2, 2], [4, 0, 0, 3, 3], [4, 0, 0, 1, 1], [1, 1, 1, 2, 0], [2, 2, 2, 0, 0], [1, 1, 1, 0, 0], [5, 5, 5, 2, 0]]) U, Sigma, VT = la.svd(data)
二、推荐系统实现
2.1. 基于协同过滤的推荐系统(Collaborate Filtering)
协同过滤是通过将用户和其他用户的数据进行对比来实现推荐的。
2.1.1 相似度计算
1. 欧式距离(0~1):
相似度 = 1/ (1 + 距离)
2. 皮尔逊相关系数(Pearson correlation):
- 介绍:http://mines.humanoriented.com/classes/2010/fall/csci568/portfolio_exports/sphilip/pear.html
- 该方法相对于欧氏距离的一个优势在于,它对用户评级的量级并不敏感。比如某个狂躁者对所有物品的评分都是5分 ,而另一个忧郁者对所有物品的评分都是1分,皮尔逊相关系数会认为这两个向量是相等的。
- 皮尔逊相关系数的计算是由Numpy中的corrcoef()函数,他的取值范围在:(-1~1)
- 后面我们很快就会用到它了。皮尔逊相关系数的取值范围从-1到+1,
- 我们通过0.5 + 0 . 5 * corrcoef()把其取值范围归一化到0到 1之间。
3. 余弦相似度(cosine similarity)
其中,在Numpy中计算范数的公式:linalg.norm()
1 def ecludSim(inA,inB): 2 return 1.0/(1.0 + la.norm(inA - inB)) #计算向量的第二范式,相当于直接计算了欧式距离 3 4 def pearsSim(inA, inB): 5 if len(inA) < 3: 6 return 1.0 7 return 0.5 + 0.5 * corrcoef(inA, inB, rowvar=0)[0][1] 8 # corrcoef直接计算皮尔逊相关系数 9 10 def cosSim(inA, inB): 11 num = float(inA.T * inB) 12 denom = la.norm(inA) * la.norm(inB) 13 return 0.5 + 0.5 * (num/denom)
上面的相似度计算都是假设数据采用了列向量方式进行表示。如果利用上述函数来计算两个行向量的相似度就会遇到问题(我们很容易对上述函数进行修改以计算行向量之间的相似度)。这里采用列向量的表示方法,暗示着我们将利用基于物品的相似度计算方法。
2.1.2 基于物品的相似度还是基于用户的相似度?
行与行之间比较的是基于用户的相似度,列与列之间比较的则是基于物品的相似度。
到底使用哪一种相似度呢?这取决于用户或物品的数目。基于物品相似度计算的时间会随物品数量的增加而增加,基于用户的相似度计算的时间则会随用户数量的增加而增加。如果我们有一个商店,那么最多会有几千件商品。在撰写本书之际,最大的商店大概有100 000件商品。而在\61!«\大赛中,则会有480 000个用户和17 700部电影。如果用户的数目很多,那么我们可能倾向于使用基于物品相似度的计算方法。对于大部分产品导向的推荐引擎而言,用户的数量往往大于物品的数量,即购买商品的用户数会多于出售的商品种类。
2.1.3 推荐系统的评价
- 采用交叉测试的方法。具体的做法就是,我们将某些已知的评分值去掉,然后对它们进行预测,最后计算预测值和真实值之间的差异。
- 评价的指标是称为最小均方根误差( RootMeanSquaredError, RMSE ) 的指标。
- 它首先计算均方误差的平均值然后取其平方根。
- 如果评级在1星到5星这个范围内,而我们得到的为1.0,那么就意味着我们的预测值和用户给出的真实评价相差了一个星级。
2.1.4 实现:
1 def loadExData(): 2 return[[4, 4, 0, 2, 2], 3 [4, 0, 0, 3, 3], 4 [4, 0, 0, 1, 1], 5 [1, 1, 1, 2, 0], 6 [2, 2, 2, 0, 0], 7 [1, 1, 1, 0, 0], 8 [5, 5, 5, 2, 0]] 9 10 def loadExData2(): 11 return[[0, 0, 0, 0, 0, 4, 0, 0, 0, 0, 5], 12 [0, 0, 0, 3, 0, 4, 0, 0, 0, 0, 3], 13 [0, 0, 0, 0, 4, 0, 0, 1, 0, 4, 0], 14 [3, 3, 4, 0, 0, 0, 0, 2, 2, 0, 0], 15 [5, 4, 5, 0, 0, 0, 0, 5, 5, 0, 0], 16 [0, 0, 0, 0, 5, 0, 1, 0, 0, 5, 0], 17 [4, 3, 4, 0, 0, 0, 0, 5, 5, 0, 1], 18 [0, 0, 0, 4, 0, 4, 0, 0, 0, 0, 4], 19 [0, 0, 0, 2, 0, 2, 5, 0, 0, 1, 2], 20 [0, 0, 0, 0, 5, 0, 0, 0, 0, 4, 0], 21 [1, 0, 0, 0, 0, 0, 0, 1, 2, 0, 0]] 22 23 24 # 协同过滤算法 25 # dataMat 用户数据 user 用户 simMeas 相似度计算方式 item 物品 26 def standEst(dataMat, user, simMeas, item): 27 n = shape(dataMat)[1] # 计算列的数量,物品的数量 28 simTotal = 0.0 29 ratSimTotal = 0.0 30 for j in range(n): 31 userRating = dataMat[user, j] 32 print(dataMat[user, j]) 33 if userRating == 0: 34 continue # 如果用户u没有对物品j进行打分,那么这个判断就可以跳过了 35 overLap = nonzero(logical_and(dataMat[:, item] > 0, dataMat[:, j] > 0))[0] # 找到对物品 j 和item都打过分的用户 36 if len(overLap) == 0: 37 similarity = 0 38 else: 39 similarity = simMeas(dataMat[overLap, item], dataMat[overLap, j]) # 利用相似度计算两个物品之间的相似度 40 41 print('the %d and %d similarity is: %f' % (item, j, similarity)) 42 simTotal += similarity 43 ratSimTotal += similarity * userRating # 待推荐物品与用户打过分的物品之间的相似度*用户对物品的打分 44 if simTotal == 0: 45 return 0 46 else: 47 return ratSimTotal / simTotal 48 49 def recommand(dataMat, user, N=3, simMeas=pearsSim, estMethod=standEst): 50 unratedItem = nonzero(dataMat[user, :]==0)[0] 51 if len(unratedItem) == 0: 52 return 'You rated everything' 53 else: 54 itemScores=[] 55 # 对于为评分的item,对他进行评分 56 for item in unratedItem: 57 estimatedScore = standEst(dataMat, user, simMeas, item) 58 itemScores.append((item, estimatedScore)) 59 itemScores = sorted(itemScores, key=lambda jj: jj[1], reverse=True)[:N] 60 print(itemScores) 61 62 63 data = array(loadExData()) 64 recommand(data, 2) 65
2.2 利用SVD实现推荐
2.2.1 选取Sigma奇异值个数r:
1 # 获取数据: 2 data = np.array(loadExData2()) 3 4 # SVD 分解 5 U, Sigma, VT = la.svd(data) 6 7 # 计算取几个奇异值 8 # 计算90%能量:487.83 9 Sig2 = Sigma ** 2 10 s = sum(Sig2) * 0.9 11 12 # 计算前两个奇异值包含能量:378(<487.83) 13 sum(Sig2[:2]) 14 15 # 计算前三个奇异值包含能量:500(>487) 16 sum(Sig2[:3]) 17 #所以选择前三个就可以了
2.2.2 用SVD实现推荐系统:
1 # 利用SVD实现推荐系统 2 def svdEst(dataMat, user, simMeas, item): 3 n = shape(dataMat)[1] 4 simTotal = 0.0 5 ratsimTotal = 0.0 6 U, Sigma, VT = la.svd(dataMat) 7 Sig4 = array(eye(4) * Sigma[:4]) 8 xformedItems = dot(dot(dataMat.T, U[:, :4]), Sig4) 9 10 for j in range(n): 11 userRating = dataMat[user, j] 12 if userRating == 0 or j == item: 13 continue 14 similarity = simMeas(xformedItems[item, :].T, xformedItems[j, :].T) 15 simTotal += similarity 16 ratsimTotal += userRating * similarity 17 if simTotal == 0: 18 return 0 19 else: 20 return ratsimTotal/simTotal 21 22 def recommand(dataMat, user, N=3, simMeas=pearsSim, estMethod=standEst): 23 unratedItem = nonzero(dataMat[user, :]==0)[0] 24 if len(unratedItem) == 0: 25 return 'You rated everything' 26 else: 27 itemScores=[] 28 # 对于为评分的item,对他进行评分 29 for item in unratedItem: 30 estimatedScore = svdEst(dataMat, user, simMeas, item) 31 itemScores.append((item, estimatedScore)) 32 itemScores = sorted(itemScores, key=lambda jj: jj[1], reverse=True)[:N] 33 print(itemScores) 34 35 36 data = array(loadExData()) 37 recommand(data, 2)
最后结果:
2.3 冷启动问题
推荐引擎面临的另一个问题就是如何在缺乏数据时给出好的推荐。这称为冷启动问题,处理起来十分困难。
冷启动问题的解决方案,就是将推荐看成是搜索问题。在内部表现上,不同的解决办法虽然有所不同,但是对用户而言却都是透明的。为了将推荐看成是搜索问题,我们可能要使用所需要推荐物品的属性。在餐馆菜肴的例子中,我们可以通过各种标签来标记菜肴,比如素食、美式88、价格很贵等。同时,我们也可以将这些属性作为相似度计算所需要的数据,这被称为基于内容(content-based)的推荐。可能,基于内容的推荐并不如我们前面介绍的基于协同过滤的推荐效果好 ,但我们拥有它,这就是个良好的开始。