python推荐引擎_THUDataPITranslation

用Python建立你的第一个推荐引擎

原文标题：Quick Guide to Build a Recommendation Engine in Python

作者： AARSHAY JAIN

翻译：张逸

在数据科学中，不管你是新手还是经验丰富的专业人士，自己做一些项目总是会给你的简历添彩。而我写这篇文章的目的就是让你从推荐系统开始，构建一个自己的项目。(如果你很难获得开放的数据，请在评论中告诉我)

“推荐引擎(Recommendation engines)”实际上就是一个自动化的商店柜员——你问他某个商品，他不仅会给你该商品，而且还会向你推荐可以购买的其他相关产品。可以说，他们在附加销售方面训练有素。而且在实际中，我们可以知道，这种推荐引擎能够很好的根据客户的历史行为推荐个性化内容，这让顾客们很高兴，同时也为网站招徕了更多的回头客。那么接下来，就让我们来实现一个自己的推荐引擎。

在这篇文章中，我会介绍在Python中使用GraphLab创建推荐系统的基础知识。这之后，你会对推荐系统如何工作、如何构建基本的流行度模型和协同过滤模型有一些自己的理解。

这篇文章的结构如下：

推荐引擎的种类

MovieLens数据集

简单的流行度模型

协同过滤模型

对推荐引擎的评估

在正式开始这篇文章之前，我要衷心感谢

1. 推荐引擎的种类

在查看不同类型的推荐引擎之前，让我们回顾一下，看看是否可以给出一些直观的建议。考虑以下情况：

case1：推荐最受欢迎的物品

一个简单的方法是推荐大多数用户都喜欢的东西。这是一个快速但是不那么好的方法，是因为这个它并没有涉及到个性化。

基本上，对于每个用户来说，被推荐的东西都是相同的——因为流行度定义在了整个用户群体上——所以每个人都会看到相同的结果。这听起来就好像是“一个网站建议你买微波炉，只是因为其他大多数用户喜欢它，但不在乎你是否有兴趣购买”。

令人惊讶的是，这种方法仍然被应用在类似门户网站的地方。每次你登录网站并查看bbcnews，你将看到一列“热门新闻”，它被细分为几个部分，每部分展示了阅读数最多的文章。在这种情况下，这个方法是有效的，因为：

存在一些不同的分类，所以用户可以看他的感兴趣的部分。

在某个时间段内，只有少数几个热点话题，所以很大概率上某个用户想要看的内容和大多数其他人的相重合

case2：用分类器来做推荐

我们已经知道有很多的分类算法。下面来看看如何运用这些技术来做推荐。首先，分类器是一种参数化解决方案，因此我们只需要定义用户和项目的一些参数(特征)，而对于输出结果，如果用户喜欢，输出可以为1，否则为0。在某些场景中，分类器可以起到很好的作用，因为它有如下的几个优点：

体现出了个性化

即使用户的历史行为记录很短或不可用，它也可以工作

但它还有一些主要的缺陷，使得它在实际应用中并没有太多的推广：

在实际中一些特征可能是不可用的，或者即便是可用，也不能通过这些特征构建出一个好的分类器

随着用户数和项目数的增长，构建一个好的分类器会变得很困难

case3：推荐算法

接下来我将会介绍为解决推荐问题而量身定制的特殊算法——通常有两种类型——基于内容的推荐算法和协同过滤推荐算法。你可以参考我们以前的文章来了解其具体工作原理。篇幅所限，我在这里简短回顾一下：

1. 基于内容的推荐算法

算法思想： 如果用户喜欢某个东西，那么他也会喜欢与之相似的物品

基于推荐