推荐系统

推荐系统原理

可以将推荐系统表示成如下矩阵：

行，表示用户
列，表示物品
数值表示，当前用户对物品的打分，？表示用户与物品无交互

目标：预测？处的评分，然后排序，推荐评分较高的物品给用户

推荐系统：
一.应用最广泛的 $协同过滤$ 推荐
1.基于$用户$的协同过滤推荐
2.基于$物品$的协同过滤推荐
3.隐语义模型
二.基于内容的 推荐
三.混合推荐

基于用户 协同过滤推荐

1. 计算用户之间的相似度，用户画像(总结用户的特征+打标签–>向量化)，训练相似度
2. 获取与目标用户相似度较高的用户
3. 将他们交互的物品中评分较高的(目标用户未交互的)推荐给该目标用户

计算用户相似度：

1. 欧式距离 $$\frac{1}{1+d}$$
   2.余弦距离 $$\cos (\theta )=\frac{AB}{||A||\ast ||B||}$$
   3.相关系数
   $$corr=\frac{cov(x,y)}{\sqrt{D(x)}\ast \sqrt{D(y)}}$$
   $$协方差cov(x,y)=E([x-E(x)]\ast [y-E(y)])$$

简单案例分析

小数据集的电影推荐
提取码：cm7y

"""
    小数据量的 电影推荐
    基于用户的协同过滤  推荐
"""
import numpy as np
import pandas as pd

def load_data(filename):
    
    df = pd.read_json(filename)
    
    return df

if __name__=="__main__":
    
    #load data
    #row movies
    #col users
    df = load_data("ratings.json")
    #preview data
    print(df.head())
    print("\n")
    
    #recommend for cur user
    cur_user = "Michael Henry"
    
    #calc similarity user matrix
    similar_mat = df.corr()
    print("similarity user matrix:\n")
    print(similar_mat)
    
    #select positive correlation for cur user
    sim_to_cur_user = similar_mat[cur_user].drop(cur_user)
    sim_to_cur_user = sim_to_cur_user[sim_to_cur_user>0]
    print(sim_to_cur_user)
    print("\n")
    
    #store movies
    rec_movies = {}
    #travel similar user ,check relative movies
    for similar_user,similar_score in sim_to_cur_user.items():
        
        #check movies scored by similar_user,but not by cur user
        temp = df.filter([similar_user,cur_user])
        movies = temp[temp[similar_user].notnull()&temp[cur_user].isnull()]
        print(movies)
        
        #another method
        #travel per movie, filter not viewed by cur user
        
        #deal movies that will recommend for cur user
        temp = movies[similar_user]
        for m,score in temp.items():
            if m not in rec_movies:  #store in dict
                rec_movies[m] = [[],[]]
            rec_movies[m][0].append(score) #movie score
            rec_movies[m][1].append(similar_score) #weight ,namely user similarity    
    
    print("\n")        
    print("当前推荐电影:\n")
    print(rec_movies)
    print("\n")
    
    #sorted rec_movies
    sorted_rec_movies = sorted(rec_movies.items(),key=lambda x:np.average(x[1][0],weights=x[1][1]),reverse=True)
    print("排序的推荐电影:",sorted_rec_movies)
    
    print("仅推荐电影:",[i[0] for i in sorted_rec_movies])
        

基于物品 协同过滤推荐

1. 计算物品之间的相似度（需要预计算，即训练，然后保存，调用）
2. 获取与目标用户交互的(评分高)物品中相似度较高的物品
3. 将推荐评分高的物品推荐给目标用户

可以使用上例的数据，实现基于物品的推荐

部署推荐系统

将 $推荐系统模型$ 封装成后端服务----> 提供一个API

电影推荐系统案例

整体案例讲解