推薦系統(tǒng)MostPopular算法的Python實(shí)現(xiàn)

MostPopular 算法的 是指對每個用戶都選擇出當(dāng)前流行度最高的Top-K個物品進(jìn)行推薦，在推薦的時候，需要去除用戶原先就瀏覽過的項(xiàng)目。

算法代碼如下

# Most Pop
def MostPopular(pop_dict, I, K):
? ? '''
? ? ? ? pop_dic:流行度字典，存儲了每個item:pop_value的鍵值對。
? ? ? ? I：用戶可以選擇的Item空間（需去除已經(jīng)看過的item）
? ? ? ? K：Top-K 值，推薦出K個item給用戶
? ? '''
? ? pop_dict_sort = sorted(pop_dict.items(), key=lambda kv: (kv[1], kv[0]), reverse=True)
? ? for each_item in pop_dict_sort:
? ? ? ? if each_item[0] not in I:
? ? ? ? ? ? pop_dict_sort.remove(each_item)

? ? return [i[0] for i in pop_dict_sort[:K]]

在ML-1M數(shù)據(jù)集上的測試結(jié)果(100個用戶)

Precision: 0.05399999999999998
Recall: 0.0659683173313864
HR: 0.08
NDCG: 0.2668352016595219
ARP: 25.750500000000002

推薦系統(tǒng)的幾種常用算法總結(jié)

之前也做過一些關(guān)于推薦系統(tǒng)的項(xiàng)目，下面就來系統(tǒng)的總結(jié)一下。

一、什么是推薦系統(tǒng)？

引用百度百科的一段解釋就是：“利用電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶決定應(yīng)該購買什么產(chǎn)品，模擬銷售人員幫助客戶完成購買過程。個性化推薦是根據(jù)用戶的興趣特點(diǎn)和購買行為，向用戶推薦用戶感興趣的信息和商品。”

在這個數(shù)據(jù)過載的時代，信息的消費(fèi)者需要從海量的信息中找到自己所需要的信息，信息的生產(chǎn)者要讓自己生產(chǎn)的信息在海量的信息中脫穎而出，這時推薦系統(tǒng)就應(yīng)運(yùn)而生了。對用戶而言，推薦系統(tǒng)不需要用戶提供明確的目標(biāo)；對物品而言，推薦系統(tǒng)解決了2/8現(xiàn)象的問題（也叫長尾效應(yīng)），讓小眾的物品可以展示到需要它們的用戶面前。

二、推薦系統(tǒng)要解決的問題？

1、幫助用戶找到想要的物品 如：書籍、電影等

2、可以降低信息過載

3、有利于提高站點(diǎn)的點(diǎn)擊率/轉(zhuǎn)化率

4、有利于對用戶進(jìn)行深入了解，為用戶提供個性化服務(wù)

三、推薦系統(tǒng)的發(fā)展趨勢？

推薦系統(tǒng)的研究大致可以分為三個階段，第一階段是基于傳統(tǒng)的服務(wù)，第二階段是基于目前的社交網(wǎng)絡(luò)的服務(wù)，第三階段是即將到來的物聯(lián)網(wǎng)。

這其中產(chǎn)生了很多基礎(chǔ)和重要的算法，例如協(xié)同過濾（包括基于用戶的和基于物品的）、基于內(nèi)容的推薦算法、混合式的推薦算法、基于統(tǒng)計(jì)理論的推薦算法、基于社交網(wǎng)絡(luò)信息（關(guān)注、被關(guān)注、信任、知名度、信譽(yù)度等）的過濾推薦算法、群體推薦算法、基于位置的推薦算法。

其中基于鄰域的協(xié)同過濾推薦算法是推薦系統(tǒng)中最基礎(chǔ)、最核心、最重要的算法，該算法不僅在學(xué)術(shù)界得到較為深入的研究，而且在業(yè)界也得到非常廣泛的應(yīng)用，基于鄰域的算法主要分為兩大類，一類是基于用戶的協(xié)同過濾算法，另一類是基于物品的協(xié)同過濾算法，除此之外，基于內(nèi)容的推薦算法應(yīng)用也非常廣泛等等，因此下文將對涉及推薦系統(tǒng)的常用算法進(jìn)行詳細(xì)介紹。

1、基于流行度的推薦算法

2、基于協(xié)同過濾的推薦算法（UserCF與ItemCF）

3、基于內(nèi)容的推薦算法

4、基于模型的推薦算法

5、基于混合式的推薦算法

四、基于流行度的推薦算法

基于流行度的算法非常簡單粗暴，類似于各大新聞、微博熱榜等，根據(jù)PV、UV、日均PV或分享率等數(shù)據(jù)來按某種熱度排序來推薦給用戶。

注：獨(dú)立訪客（UV）、訪問次數(shù)（VV）兩個指標(biāo)有什么區(qū)別？

① 訪問次數(shù)（VV）：記錄1天內(nèi)所有訪客訪問了該網(wǎng)站多少次，相同的訪客有可能多次訪問該網(wǎng)站，且訪問的次數(shù)累加。

② 獨(dú)立訪客（UV）：記錄1天內(nèi)所有訪客訪問了該網(wǎng)站多少次，雖然相同訪客能多次訪問網(wǎng)站，但只計(jì)算為1個獨(dú)立訪客。

③ PV訪問量（Page View）：即頁面訪問量，每打開一次頁面或者刷新一次頁面，PV值+1。

1、優(yōu)點(diǎn)：該算法簡單，適用于剛注冊的新用戶

2、缺點(diǎn)：無法針對用戶提供個性化的推薦

3、改進(jìn)：基于該算法可做一些優(yōu)化，例如加入用戶分群的流行度進(jìn)行排序，通過把熱榜上的體育內(nèi)容優(yōu)先推薦給體育迷，把政要熱文推給熱愛談?wù)撜蔚挠脩簟?/p>

五、基于用戶的協(xié)同過濾推薦算法

當(dāng)目標(biāo)用戶需要推薦時，可以先通過興趣、愛好或行為習(xí)慣找到與他相似的其他用戶，然后把那些與目標(biāo)用戶相似的用戶喜歡的并且目標(biāo)用戶沒有瀏覽過的物品推薦給目標(biāo)用戶。

1、基于用戶的CF原理如下：

① 分析各個用戶對物品的評價，通過瀏覽記錄、購買記錄等得到用戶的隱性評分；

② 根據(jù)用戶對物品的隱性評分計(jì)算得到所有用戶之間的相似度；

③ 選出與目標(biāo)用戶最相似的K個用戶；

④ 將這K個用戶隱性評分最高并且目標(biāo)用戶又沒有瀏覽過的物品推薦給目標(biāo)用戶。

2、優(yōu)點(diǎn)：

① 基于用戶的協(xié)同過濾推薦算法是給目標(biāo)用戶推薦那些和他有共同興趣的用戶喜歡的物品，所以該算法推薦較為社會化，即推薦的物品是與用戶興趣一致的那個群體中的熱門物品；

② 適于物品比用戶多、物品時效性較強(qiáng)的情形，否則計(jì)算慢；

③ 能實(shí)現(xiàn)跨領(lǐng)域、驚喜度高的結(jié)果。

3、缺點(diǎn)：

① 在很多時候，很多用戶兩兩之間的共同評分僅有幾個，也即用戶之間的重合度并不高，同時僅有的共同打了分的物品，往往是一些很常見的物品，如票房大片、生活必需品；

② 用戶之間的距離可能變得很快，這種離線算法難以瞬間更新推薦結(jié)果；    

③ 推薦結(jié)果的個性化較弱、較寬泛。

4、改進(jìn)：

① 兩個用戶對流行物品的有相似興趣，絲毫不能說明他們有相似的興趣，此時要增加懲罰力度；

② 如果兩個用戶同時喜歡了相同的物品，那么可以給這兩個用戶更高的相似度；

③ 在描述鄰居用戶的偏好時，給其最近喜歡的物品較高權(quán)重；

④ 把類似地域用戶的行為作為推薦的主要依據(jù)。

六、基于物品的協(xié)同過濾推薦算法

當(dāng)一個用戶需要個性化推薦時，舉個例子由于我之前購買過許嵩的《夢游計(jì)》這張專輯，所以會給我推薦《青年晚報》，因?yàn)楹芏嗥渌脩舳纪瑫r購買了許嵩的這兩張專輯。

1、基于物品的CF原理如下：

① 分析各個用戶對物品的瀏覽記錄；

② 依據(jù)瀏覽記錄分析得出所有物品之間的相似度；

③ 對于目標(biāo)用戶評價高的物品，找出與之相似度最高的K個物品；

④ 將這K個物品中目標(biāo)用戶沒有瀏覽過的物品推薦給目標(biāo)用戶

2、優(yōu)點(diǎn)：

① 基于物品的協(xié)同過濾推薦算法則是為目標(biāo)用戶推薦那些和他之前喜歡的物品類似的物品，所以基于物品的協(xié)同過濾推薦算法的推薦較為個性，因?yàn)橥扑]的物品一般都滿足目標(biāo)用戶的獨(dú)特興趣。

② 物品之間的距離可能是根據(jù)成百上千萬的用戶的隱性評分計(jì)算得出，往往能在一段時間內(nèi)保持穩(wěn)定。因此，這種算法可以預(yù)先計(jì)算距離，其在線部分能更快地生產(chǎn)推薦列表。

③ 應(yīng)用最廣泛，尤其以電商行業(yè)為典型。

④ 適于用戶多、物品少的情形，否則計(jì)算慢

⑤ 推薦精度高，更具個性化

⑥ 傾向于推薦同類商品

3、缺點(diǎn)：

① 不同領(lǐng)域的最熱門物品之間經(jīng)常具有較高的相似度。比如，基于本算法，我們可能會給喜歡聽許嵩歌曲的同學(xué)推薦汪峰的歌曲，也就是推薦不同領(lǐng)域的暢銷作品，這樣的推薦結(jié)果可能并不是我們想要的。

② 在物品冷啟動、數(shù)據(jù)稀疏時效果不佳

③ 推薦的多樣性不足，形成信息閉環(huán)

4、改進(jìn)：

① 如果是熱門物品，很多人都喜歡，就會接近1，就會造成很多物品都和熱門物品相似，此時要增加懲罰力度；

② 活躍用戶對物品相似度的貢獻(xiàn)小于不活躍的用戶；

③ 同一個用戶在間隔很短的時間內(nèi)喜歡的兩件商品之間，可以給予更高的相似度；

④ 在描述目標(biāo)用戶偏好時，給其最近喜歡的商品較高權(quán)重；

⑤ 同一個用戶在同一個地域內(nèi)喜歡的兩件商品之間，可以給予更高的相似度。

七、基于內(nèi)容的推薦算法

協(xié)同過濾算法僅僅通過了解用戶與物品之間的關(guān)系進(jìn)行推薦，而根本不會考慮到物品本身的屬性，而基于內(nèi)容的算法會考慮到物品本身的屬性。

根據(jù)用戶之前對物品的歷史行為，如用戶購買過什么物品、對什么物品收藏過、評分過等等，然后再根據(jù)計(jì)算與這些物品相似的物品，并把它們推薦給用戶。例如某用戶之前購買過許嵩的《尋寶游戲》，這可以說明該用戶可能是一個嵩鼠，這時就可以給該用戶推薦一些許嵩的其他專輯或著作。

1、基于內(nèi)容的推薦算法的原理如下：

① 選取一些具有代表性的特征來表示每個物品

② 使用用戶的歷史行為數(shù)據(jù)分析物品的這些特征，從而學(xué)習(xí)出用戶的喜好特征或興趣，也即構(gòu)建用戶畫像

③ 通過比較上一步得到的用戶畫像和待推薦物品的畫像（由待推薦物品的特征構(gòu)成），將具有相關(guān)性最大的前K個物品中目標(biāo)用戶沒有瀏覽過的物品推薦給目標(biāo)用戶

2、優(yōu)點(diǎn)：

① 是最直觀的算法

② 常借助文本相似度計(jì)算

③ 很好地解決冷啟動問題，并且也不會囿于熱度的限制

3、缺點(diǎn)：

① 容易受限于對文本、圖像、音視頻的內(nèi)容進(jìn)行描述的詳細(xì)程度

② 過度專業(yè)化(over-specialisation)，導(dǎo)致一直推薦給用戶內(nèi)容密切關(guān)聯(lián)的item，而失去了推薦內(nèi)容的多樣性。

③ 主題過于集中，驚喜度不足

八、基于模型的推薦算法

基于模型的推薦算法會涉及到一些機(jī)器學(xué)習(xí)的方法，如邏輯回歸、樸素貝葉斯分類器等?；谀Ｐ偷乃惴ㄓ捎诳焖佟?zhǔn)確，適用于實(shí)時性比較高的業(yè)務(wù)如新聞、廣告等，而若是需要這種算法達(dá)到更好的效果，則需要人工干預(yù)反復(fù)的進(jìn)行屬性的組合和篩選，也就是常說的Feature Engineering。而由于新聞的時效性，系統(tǒng)也需要反復(fù)更新線上的數(shù)學(xué)模型，以適應(yīng)變化。

九、基于混合式的推薦算法

現(xiàn)實(shí)應(yīng)用中，其實(shí)很少有直接用某種算法來做推薦的系統(tǒng)。在一些大的網(wǎng)站如Netflix，就是融合了數(shù)十種算法的推薦系統(tǒng)。我們可以通過給不同算法的結(jié)果加權(quán)重來綜合結(jié)果，或者是在不同的計(jì)算環(huán)節(jié)中運(yùn)用不同的算法來混合，達(dá)到更貼合自己業(yè)務(wù)的目的。

十、推薦結(jié)果列表處理

1、當(dāng)推薦算法計(jì)算得出推薦結(jié)果列表之后，我們往往還需要對結(jié)果進(jìn)行處理。比如當(dāng)推薦的內(nèi)容里包含敏感詞匯、涉及用戶隱私的內(nèi)容等等，就需要系統(tǒng)將其篩除；

2、若多次推薦后用戶依然對某個物品毫無興趣，就需要將這個物品降低權(quán)重，調(diào)整排序；

3、有時系統(tǒng)還要考慮話題多樣性的問題，同樣要在不同話題中篩選內(nèi)容。

十一、推薦結(jié)果評估

當(dāng)一個推薦算法設(shè)計(jì)完成后，一般需要用查準(zhǔn)率（precision），查全率（recall），點(diǎn)擊率（CTR）、轉(zhuǎn)化率（CVR）、停留時間等指標(biāo)進(jìn)行評價。

• 查準(zhǔn)率（precision）：推薦給用戶且用戶喜歡的物品在推薦列表中的比重
• 查全率（recall）：推薦給用戶且用戶喜歡的物品在用戶列表中的比重
• 點(diǎn)擊率（CTR）：實(shí)際點(diǎn)擊了的物品/推薦列表中所有的物品
• 轉(zhuǎn)化率（CVR）：購買了的物品/實(shí)際點(diǎn)擊了的物品

以上為個人經(jīng)驗(yàn)，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論