Python基于機器學習方法實現的電影推薦系統實例詳解

推薦算法在互聯網行業的應用非常廣泛，今日頭條、美團點評等都有個性化推薦，推薦算法抽象來講，是一種對于內容滿意度的擬合函數，涉及到用戶特征和內容特征，作為模型訓練所需維度的兩大來源，而點擊率，頁面停留時間，評論或下單等都可以作為一個量化的 Y 值，這樣就可以進行特征工程，構建出一個數據集，然后選擇一個合適的監督學習算法進行訓練，得到模型后，為客戶推薦偏好的內容，如頭條的話，就是咨詢和文章，美團的就是生活服務內容。

可選擇的模型很多，如協同過濾，邏輯斯蒂回歸，基于DNN的模型，FM等。我們使用的方式是，基于內容相似度計算進行召回，之后通過FM模型和邏輯斯蒂回歸模型進行精排推薦，下面就分別說一下，我們做這個電影推薦系統過程中，從數據準備，特征工程，到模型訓練和應用的整個過程。

我們實現的這個電影推薦系統，爬取的數據實際上維度是相對少的，特別是用戶這一側的維度，正常推薦系統涉及的維度，諸如頁面停留時間，點擊頻次，收藏等這些維度都是沒有的，以及用戶本身的維度也相對要少，沒有地址、年齡、性別等這些基本的維度，這樣我們爬取的數據只有打分和評論這些信息，所以之后我們又從這些信息里再拿出一些統計維度來用。我們爬取的電影數據(除電影詳情和圖片信息外)是如下這樣的形式：

這里的數據是有冗余的，又通過如下的代碼，對數據進行按維度合并，去除冗余數據條目：

# 處理主函數，負責將多個冗余數據合并為一條電影數據，將地區，導演，主演，類型，特色等維度數據合并
def mainfunc():
 try:
  unable_list = []
  with connection.cursor() as cursor:
   sql='select id,name from movie'
   cout=cursor.execute(sql)
   print("數量： "+str(cout))

   for row in cursor.fetchall():
    #print(row[1])
    movieinfo = df[df['電影名'] == row[1]]
    if movieinfo.shape[0] == 0:
     disable_movie(row[0])
     print('disable movie ' + str(row[1]))
    else:
     g = lambda x:movieinfo[x].iloc[0]
     types = movieinfo['類型'].tolist()
     types = reduce(lambda x,y:x+'|'+y,list(set(types)))
     traits = movieinfo['特色'].tolist()
     traits = reduce(lambda x,y:x+'|'+y,list(set(traits)))
     update_one_movie_info(type_=types, actors=g('主演'), region=g('地區'), director=g('導演'), trait=traits, rat=g('評分'), id_=row[0])
       
  connection.commit()
 finally:
  connection.close()

之后開始準備用戶數據，我們從用戶打分的數據中，統計出每一個用戶的打分的最大值，最小值，中位數值和平均值等，從而作為用戶的一個附加屬性，存儲于userproex表中：

'insert into userproex(userid, rmax, rmin, ravg, rcount, rsum, rmedian) values(\'%s\', %s, %s, %s, %s, %s, %s)' % (userid, rmax, rmin, ravg, rcount, rsum, rmedium)
'update userproex set rmax=%s, rmin=%s, ravg=%s, rmedian=%s, rcount=%s, rsum=%s where userid=\'%s\'' % (rmax, rmin, ravg, rmedium, rcount, rsum, userid)

以上兩個SQL是最終插入表的時候用到的，代表準備用戶數據的最終步驟，其余細節可以參考文末的github倉庫，不在此贅述，數據處理還用到了一些SQL，以及其他處理細節。

系統上線運行時，第一次是全量的數據處理，之后會是增量處理過程，這個后面還會提到。

我們目前把用戶數據和電影的數據的原始數據算是準備好了，下一步開始特征工程。做特征工程的思路是，對type, actors, director, trait四個類型數據分別構建一個頻度統計字典，用于之后的one-hot編碼，代碼如下：

def get_dim_dict(df, dim_name):
 type_list = list(map(lambda x:x.split('|') ,df[dim_name]))
 type_list = [x for l in type_list for x in l]
 def reduce_func(x, y):
 for i in x:
  if i[0] == y[0][0]:
  x.remove(i)
  x.append(((i[0],i[1] + 1)))
  return x
 x.append(y[0])
 return x
 l = filter(lambda x:x != None, map(lambda x:[(x, 1)], type_list))
 type_zip = reduce(reduce_func, list(l))
 type_dict = {}
 for i in type_zip:
 type_dict[i[0]] = i[1]
 return type_dict

涉及到的冗余數據也要刪除

df_ = df.drop(['ADD_TIME', 'enable', 'rat', 'id', 'name'], axis=1)

將電影數據轉換為字典列表，由于演員和導演均過萬維，實際計算時過于稀疏，當演員或導演只出現一次時，標記為冷門演員或導演

movie_dict_list = []
for i in df_.index:
 movie_dict = {}
 #type
 for s_type in df_.iloc[i]['type'].split('|'):
 movie_dict[s_type] = 1
 #actors
 for s_actor in df_.iloc[i]['actors'].split('|'):
 if actors_dict[s_actor] < 2:
  movie_dict['other_actor'] = 1
 else:
  movie_dict[s_actor] = 1
 #regios
 movie_dict[df_.iloc[i]['region']] = 1
 #director
 for s_director in df_.iloc[i]['director'].split('|'):
 if director_dict[s_director] < 2:
  movie_dict['other_director'] = 1
 else:
  movie_dict[s_director] = 1
 #trait
 for s_trait in df_.iloc[i]['trait'].split('|'):
 movie_dict[s_trait] = 1
 movie_dict_list.append(movie_dict)

使用DictVectorizer進行向量化，做One-hot編碼

v = DictVectorizer()
X = v.fit_transform(movie_dict_list)

這樣的數據，下面做余弦相似度已經可以了，這是特征工程的基本的一個處理，模型所使用的數據，需要將電影，評分，用戶做一個數據拼接，構建訓練樣本，并保存CSV，注意這個CSV不用每次全量構建，而是除第一次外都是增量構建，通過mqlog中類型為'c'的消息，增量構建以comment（評分）為主的訓練樣本，拼接之后的形式如下：

USERID cf2349f9c01f9a5cd4050aebd30ab74f
movieid 10533913
type 劇情|奇幻|冒險|喜劇
actors 艾米·波勒|菲利絲·史密斯|理查德·坎德|比爾·哈德爾|劉易斯·布萊克
region 美國
director 彼特·道格特|羅納爾多·德爾·卡門
trait 感人|經典|勵志
rat 8.7
rmax 5
rmin 2
ravg 3.85714
rcount 7
rmedian 4
TIME_DIS 15

這個數據的actors等字段和上面的處理是一樣的，為了之后libfm的使用，在這里需要轉換為libsvm的數據格式

dump_svmlight_file(train_X_scaling, train_y_, train_file)


模型使用上遵循先召回，后精排的策略，先通過余弦相似度計算一個相似度矩陣，然后根據這個矩陣，為用戶推薦相似的M個電影，在通過訓練好的FM，LR模型，對這個M個電影做偏好預估，FM會預估一個用戶打分，LR會預估一個點擊概率，綜合結果推送給用戶作為推薦電影。

模塊列表

• recsys_ui: 前端技術(html5+JavaScript+jquery+ajax)
• recsys_web: 后端技術(Java+SpringBoot+mysql)
• recsys_spider: 網絡爬蟲(python+BeautifulSoup)
• recsys_sql: 使用SQL數據處理
• recsys_model: pandas, libFM, sklearn. pandas數據分析和數據清洗，使用libFM,sklearn對模型初步搭建
• recsys_core: 使用pandas, libFM, sklearn完整的數據處理和模型構建、訓練、預測、更新的程序
• recsys_etl：ETL 處理爬蟲增量數據時使用kettle ETL便捷處理數據
  

為了能夠輸出一個可感受的系統，我們采購了阿里云服務器作為數據庫服務器和應用服務器，在線上搭建了電影推薦系統的第一版，地址是:

www.technologyx.cn

可以注冊，也可以使用已有用戶：

歡迎登錄使用感受一下。

設計思路

用簡單地方式表述一下設計思路，

1.后端服務recsys_web依賴于系統數據庫的推薦表‘recmovie'展示給用戶推薦內容

2.用戶對電影打分后（暫時沒有對點擊動作進行響應），后臺應用會向mqlog表插入一條數據（消息）。

3.新用戶注冊，系統會插入mqlog中一條新用戶注冊消息

4.新電影添加，系統會插入mqlog中一條新電影添加消息

5.推薦模塊recsys_core會拉取用戶的打分消息，并且并行的做以下操作：

a.增量的更新訓練樣本
b.快速（因服務器比較卡，目前設定了延時）對用戶行為進行基于內容推薦的召回
c.訓練樣本更新模型
d.使用FM，LR模型對Item based所召回的數據進行精排
e.處理新用戶注冊消息，監聽到用戶注冊消息后，對該用戶的屬性初始化(統計值)。
f.處理新電影添加消息，更新基于內容相似度而生成的相似度矩陣

注：

由于線上資源匱乏，也不想使系統增加復雜度，所以沒有直接使用MQ組件，而是以數據庫表作為代替。
項目源碼地址: https://github.com/GavinHacker/recsys_core

模型相關的模塊介紹

增量的處理用戶comment，即增量處理評分模塊

這個模塊負責監聽來自mqlog的消息，如果消息類型是用戶的新的comment,則對消息進行拉取，并相應的把新的comment合并到總的訓練樣本集合，并保存到一個臨時目錄

然后更新數據庫的config表，把最新的樣本集合(csv格式)的路徑更新上去

運行截圖

消息隊列的截圖

把csv處理為libsvm數據

這個模塊負責把最新的csv文件，異步的處理成libSVM格式的數據，以供libFM和LR模型使用，根據系統的性能確定任務的間隔時間

運行截圖

基于內容相似度推薦

當監聽到用戶有新的comment時，該模塊將進行基于內容相似度的推薦，并按照電影評分推薦

運行截圖

libFM預測

http://www.libfm.org/

對已有的基于內容推薦召回的電影進行模型預測打分，呈現時按照打分排序

如下圖為打分更新

邏輯回歸預測

對樣本集中的打分做0，1處理，根據正負樣本平衡，> 3分為喜歡 即1， <=3 為0 即不喜歡，這樣使用邏輯回歸做是否喜歡的點擊概率預估，根據概率排序

項目源碼地址: https://github.com/GavinHacker/recsys_core