推荐系统——找出内容近似的文章

http://www.52nlp.cn/category/%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F

本文参照上文,使用java实现对newsgroup18828内容进行推荐(基于内容的推荐)

找出内容近似的文章,使用的特征为词的tfidf

算法的思想是:对语料库的tfidf矩阵进行SVD分解,可得到V矩阵(原矩阵为term-doc),根据S的特征值大,取前95%的特征值,对矩阵S进行降维,降维后的维度大小可视为主题数量,对V矩阵也进行降维操作,如TFIDF为m*n矩阵(m>n),则得到U为m*r,S为r*r,V为n*r,r为主题数量,最后得到的V为doc-topic矩阵,可视为n个r维向量,文档相似性根据这些向量来确定;当要对一个新文档进行推荐其他文档时,先得到该文档的TF向量,然后归一化后与语料的IDF相乘,得到查询文档的TFIDF向量(m维),对该向量进行变换,

Q=q'*U*inv(S),得到的Q为该文档的主题向量(r维),与V矩阵的n个r维向量进行求余弦距离,对距离进行排序,排序后的索引值对应文档就是要推荐的文档


训练过程代码如下:

public void train(String saveDir) throws Exception{
		File saveDirFile=new File(saveDir); 
		if(!saveDirFile.exists())
			saveDirFile.mkdir();
		long learnStart = System.currentTimeMillis();
		corpus.computeTFIDF();
		saveSerializedFile(corpus,saveDir+"\\Corpus.obj");
		double [][] tfidfmatrix = new double[corpus.getDocSize()][corpus.getTermSize()]; 
		//corpus.printTFIDF(saveDir+"\\TFIDF\\",tfidfmatrix);
		corpus.printTFIDF(tfidfmatrix);
		
		Matrix tfidfMatrix=new Matrix(tfidfmatrix);
		System.out.println("tfidfMatrix = U S V^T\nStart Decomposition\nPlease Wait...");
	    s = tfidfMatrix.transpose().svd();
	    
	    S = s.getS();
	    System.out.println("Sigma = "+S.getRowDimension()+"*"+S.getColumnDimension());
	    double orgintrace=S.trace();
		double threshlodTrace=threshlod*orgintrace;
		int reduceDimension;
		for(reduceDimension=S.getRowDimension()-1;S.getMatrix(0, reduceDimension, 0, reduceDimension).trace()>=threshlodTrace;reduceDimension--);
		reduceDimension++;
	    S=S.getMatrix(0, reduceDimension, 0, reduceDimension);
	    saveSerializedFile(S,saveDir+"\\S.obj");
	    System.out.println("After reduce dimension...\nSigma = "+S.getRowDimension()+"*"+S.getColumnDimension());
	    
	    U = s.getU();
	    System.out.println("U = "+U.getRowDimension()+"*"+U.getColumnDimension());
	    U=U.getMatrix(0, U.getRowDimension()-1, 0, reduceDimension);
	    saveSerializedFile(U,saveDir+"\\U.obj");
	    System.out.println("After reduce dimension...\nU = "+U.getRowDimension()+"*"+U.getColumnDimension());
	    
	    V = s.getV();
	    System.out.println("V = "+V.getRowDimension()+"*"+V.getColumnDimension());
	    V=V.getMatrix(0, V.getRowDimension()-1, 0, reduceDimension);
	    saveSerializedFile(V,saveDir+"\\V.obj");
	    System.out.println("After reduce dimension...\nV = "+V.getRowDimension()+"*"+V.getColumnDimension());

	    System.out.println("rank = " + s.rank());
	    System.out.println("condition number = " + s.cond());
	    System.out.println("2-norm = " + s.norm2());
	    long learnEnd = System.currentTimeMillis();
		System.out.println("train takes time:"+Printer.printTime(learnEnd - learnStart));
		
		termToindexMap=corpus.getTermToIndex();
		idf=corpus.getIdf();
		VVT=V.times(V.transpose());
	}
代码使用了Serializable接口,可以保存object,下次只需要使用load就可以,代码如下:

public void load(String loadDir) throws Exception{
		corpus=(Corpus)readSerializedFile(loadDir+"\\Corpus.obj");
		S=(Matrix)readSerializedFile(loadDir+"\\S.obj");
		U=(Matrix)readSerializedFile(loadDir+"\\U.obj");
		V=(Matrix)readSerializedFile(loadDir+"\\V.obj");
		
		termToindexMap=corpus.getTermToIndex();
		idf=corpus.getIdf();
		VVT=V.times(V.transpose());
	}

查询过程代码如下:

public void QueryRun(String queryDir) throws Exception{
		long queryStart = System.currentTimeMillis();
		Corpus Query = new Corpus();
	    Query.readDocs(queryDir);
	    
	    double [][] QuerytfidfMatrix = new double[Query.getDocSize()][Query.getTermSize()]; 

	    Query.printTF(QuerytfidfMatrix);
	    double [][] QueryMatrix = new double[Query.getDocSize()][U.getRowDimension()]; 
	    for(int j=0;j<Query.getDocSize();j++){
	    	for(int i=0;i<Query.getTermSize();i++){
	    		if(termToindexMap.containsKey(Query.getIndexToTerm().get(i)))
	    		{
	    			int termindex=termToindexMap.get(Query.getIndexToTerm().get(i));
	    			QueryMatrix[j][termindex]=QuerytfidfMatrix[j][i]/Query.getTermSize()*idf.get(termindex);
	    		}
	    	}
	    }
		Matrix QueryTfIdfMatrix= new Matrix(QueryMatrix);
		System.out.println("QueryTfIdfMatrix = "+QueryTfIdfMatrix.getRowDimension()+"*"+QueryTfIdfMatrix.getColumnDimension());
		//QueryTfIdfMatrix.print(9, 6);
		Matrix QueryTopicMatrix= QueryTfIdfMatrix.times(U.times(S.inverse()));
		System.out.println("QueryTopicMatrix = "+QueryTopicMatrix.getRowDimension()+"*"+QueryTopicMatrix.getColumnDimension());
		//QueryTopicMatrix.print(9, 6);
		Matrix length=new Matrix(Query.getDocSize(),V.getRowDimension());
		Matrix QueryTopicMatrixQueryTopicMatrixT=new Matrix(QueryTopicMatrix.times(QueryTopicMatrix.transpose()).getArray());
		for(int i=0;i<Query.getDocSize();i++)
			for(int j=0;j<V.getRowDimension();j++)
				length.set(i, j, Math.sqrt(VVT.get(j, j))*Math.sqrt(QueryTopicMatrixQueryTopicMatrixT.get(i, i)));
		Matrix sim = QueryTopicMatrix.times(V.transpose()).arrayRightDivideEquals(length);
		System.out.println("similarities = "+sim.getRowDimension()+"*"+sim.getColumnDimension());
		//sim.print(3, 7);
		
		double [][] ResultMatrix=sim.getArrayCopy();
		for(int i=0;i<ResultMatrix.length;i++)
		{
			/*int maxIndex=0;
			double maxSim=0.0;
			for(int j=0;j<ResultMatrix[i].length;j++)
			{
				if(maxSim<ResultMatrix[i][j]){
					maxSim=ResultMatrix[i][j];
					maxIndex=j;
				}
			}*/
			int[] index=new int[ResultMatrix[i].length];
			for(int j=0;j<index.length;j++)
				index[j]=j;
			Sort.quickSort(ResultMatrix[i], index, 0, ResultMatrix[i].length-1, false);
			for(int j=0;j<10;j++)
				System.out.println(corpus.getDocs().get(index[j]).getDocName()+":"+ResultMatrix[i][j]);
			System.out.println("\n");
		}
		long queryEnd = System.currentTimeMillis();
		System.out.println("query takes time:"+Printer.printTime(queryEnd - queryStart));
	}

推荐过程基本如上,github: https://github.com/dreamboy127/NLPBasicRecommend

如果文档数量过多,由于使用的是穷举办法,所以需要对这些向量进行建立索引,可以使用KDTREE,如果主题数量比较多,超过10个,可以使用LSH,这些属于KNN分类算法

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值