时至今日,虽然海量数据、大数据、数据挖掘、个性化等名词术语已耳熟能详,仿佛谁人两两遇到都可以轻易写个挖掘系统出来,但情况真的是这样么? Flipboard数据产品部门的工程师Ben Frederickson在与友人的讨论中就发现,写个推荐系统并没有那么轻而易举,为此他专门写了 一篇博文 来记录自己实现的整个过程,利用的工具是数据挖掘领域很热门的 Pandas 和 SciPy 函数库,最后使用 D3.js 进行交互和可视化,相关的代码都放在了 GitHub 上。
具体来讲,一个推荐系统包括数据的获取和存储,相似度的计算以及最终结果的可视化,下面分别阐述。
数据获取
Ben的推荐系统是针对Last.fm用户的,所用 数据集 是通过Last.fm的API获取的大约36万用户对歌手的喜爱程度。程度以用户对该歌手的播放次数为指标,数据集大小在1千7百万左右。想要在程序中使用这个数据集,ben通过Python数据挖掘工具Pandas的read_table将csv格式的数据导入成为表格。
data = pandas.read_table("usersha1-artmbid-artname-plays.tsv", usecols=[0, 2, 3], names=['user', 'artist', 'plays'])
将数据加载为表格以后,剩下的任务就是计算相似度了,ben给出了三种相似度的计算方法,分别是简单的相似度计算,余弦相似度和来自信息学的相似度计算,并给出了各类方法最后的可视化比较。
简单相似度
简单相似度计算,顾名思义,是最简单的相似度计算方法,用来计算两个歌手的相似程度。这种计算方法,忽略歌手被用户播放的次数,只是简单计算两个歌手重叠的用户数目。
def overlap(a, b): return len(a.intersection(b))
这种计算方法的问题在于,那些流行的歌手的存在,会极大影响相似度的准确性。例如几乎每个用户都听过Radiohead、Coldplay和披头士,这使得简单相似度方法给出的答案里面,越是流行的歌手越相似。
为了解决这个问题,ben引入了新的相似度定义, Jaccard相似度 ,利用数据挖掘中常用的正则化(Normalize)手段,将简单相似度正则化,消除用户数目对歌手相似度的影响,具体计算方法如下:
def jaccard(a, b): intersection = float(len(a.intersection(b))) return intersection / (len(a) + len(b) - intersection)
类似的正则化方法还有 很多 ,比如Dice正则和Ochiai正则等,从一定程度上改善了相似度计算的准确性,但也带来了一点问题,即集合大小相近的歌手会更加相似,ben觉得这样也并不合理,因此进一步提出了使用余弦相似度。
余弦相似度
上文中提到的简单相似度抛弃了用户对歌手播放次数这一重要信息,实际上它代表了用户对该歌手的喜爱程度,细想一下是非常有道理的,一个披头士的重度听众怎么能够跟听过寥寥几曲的听众一样呢?那么,利用上播放次数这一信息最直接的办法,就是余弦相似度方法,计算公式如下:
def cosine(a, b): return dot(a, b.T)[0, 0] / (norm2(a) * norm2(b))
通过上面公式,我们就可以将播放次数引入到相似度的计算中。公式中的a和b分别代表歌手的听众向量,通过下面的代码构造生成:
# map each username to a unique numeric value userids = defaultdict(lambda: len(userids)) data['userid'] = data['user'].map(userids.__getitem__) # map each artist to a sparse vector of their users artists = dict((artist, csr_matrix( (group['plays'], (zeros(len(group)), group['userid'])), shape=[1, len(userids)])) for artist, group in data.groupby('artist'))
来自信息学的相似度
除了单纯利用播放次数以外,ben还介绍了来自信息学的,确切来讲是来自搜索引擎中常用的自然语言处理技术,来计算歌手之间的相似度,即词频-逆文档频率(TF-IDF)作为向量的相似度计算方法。
这种相似度的发明,来自搜索引擎对检索结果排序的需求,即计算检索关键词与检索返回的文档之间的相似程度。具体来讲,如果某个词语在一个描述语句中出现的频率很高(TF很高),而在其他描述语句中很少出现(IDF很高),则认为该词语具有很好的区分文档的能力,其TF-IDF值就比较高,那么对应到歌曲推荐这个任务来讲,ben将用户(听众)看作一个个的单词,来进一步考虑特定用户对相似度准确性的影响,可谓是三种方法中比较准确的一个了,ben还在原文中用D3.js给出了几种相似度的效果对比分析。
总结
在专业术语充斥耳畔的今天,能够有耐心真正自己去尝试一些想当然的东西、算法甚至系统,是非常难能可贵的精神,而收获也是非常丰富的。Ben以Python中常用的Pandas和SciPy等工具,展现了从头实现一个推荐系统的方法,正是这种精神的实践典范。
感谢崔康对本文的审校。
给InfoQ中文站投稿或者参与内容翻译工作,请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博(@InfoQ,@丁晓昀),微信(微信号: InfoQChina )关注我们,并与我们的编辑和其他读者朋友交流(欢迎加入InfoQ读者交流群 )。