关于推荐引擎
如今的互联网中,无论是电子商务还是社交网络,对数据挖掘的需求都越来越大了,而推荐引擎正是数据挖掘完美体现;通过分析用户历史行为,将他可能喜欢内容推送给他,能产生相当好的用户体验,这就是推荐引擎。
推荐算法Slopeone的原理
首先Slopeone是一种基于项目的协同过滤算法(Item-basedRecommendation),简单介绍这种算法(若理解有误,欢迎大家更正,Iamjusta
beginner):根据用户们对产品的喜好程度,来将产品分类;举个简单例子:比如有10个用户,其中有9个人即喜欢产品A,也喜欢产品B,但只有2个人喜欢产品C;于是可以推断产品A和产品B是属于同类的,而产品C可能跟它们不是一类。
好了话不多讲,让我们看看Slopeone吧!
Slopeone是通过用户们对每个产品的评分,来计算产品间的一个差值;这种计算是通过
线性回归f(x)
=ax+b得到的,其中a
=1,正如它的名字Slopeone(斜率为一);另外用户的评分,在Slopeone中是必不可少的。这里举
例看看它的计算方式:下面是一张用户对书籍的评分表
| 书1
| 书2
| 书3
|
用户A
| 5
| 3
| 2
|
用户B
| 3
| 4
| 未评分
|
用户C
| 未评分
| 2
| 5
|
书1是否适合推荐给用户C,需要通过Slopeone计算出一个值来判定:首先得到书1和书2之间的平均差值X=((5-3)+(3-4))/2=0.5,然后通过用户C对书2的打分得到相应的推荐值2+0.5=2.5(推荐引擎会通过推荐值的高低来选择要推荐的物品),这里只是通过书2来计算用户C对书1的推荐值,实际的Slopeone算法中若要得到用户C对书1的推荐值,会把用户C评分过的所有书按此方法依次对书1(为评分的书)算推荐值,然后取平均值得到,放到表中如下:
(((5-3)+(3-4))/2+2+(5-2)/1+5)/2=5.25
实际应用中你还可以设权值,这里就不深入了。
以上是Slopeone的原理,接下来看看它在Mahout中是如何设计与实现的。
Mahout中Slopeone的设计思路以及代码实现
先简单介绍下,Mahout是Apache的一个开源项目,由Lucene项目组和Hadoop项目组分离出来,它实现了推荐引擎中的大部分经典算法,有兴趣的朋友可以研究研究
首先我们需要基础数据,即用户对产品的评分,这部分数据可以来自数据库也可以来自文件,Mahout中对此设计了一个简单的数据库表,SQL如下:
1 | CREATE TABLE
taste_preferences( |
5 | PRIMARY KEY
(user_id,item_id), |
其次,Mahout在启动时,会对这部分数据进行处理,算出每对产品间的平均评分差值,已Map<ItemId,Map<ItemId,Average>>的数据结构存放在内存中(当然这帮牛人没有用Java中Map的实现,自己写了一个叫FastByIDMap的类)。处理基础数据的计算代码如下:
1.首先获取所有评过分的用户id(7,而dataModel就是用于存放我上面提到的基础)
2.然后依次计算每个用户评分过的产品间的平均评分差值(9,具体在processOneUser中实现)
01 | private void
buildAverageDiffs() throws
TasteException{ |
02 | log.info( "Buildingaveragediffs..." ); |
04 | buildAverageDiffsLock.writeLock().lock(); |
07 | LongPrimitiveIteratorit=dataModel.getUserIDs(); |
09 | averageCount=processOneUser(averageCount,it.nextLong()); |
12 | pruneInconsequentialDiffs(); |
13 | updateAllRecommendableItems(); |
16 | buildAverageDiffsLock.writeLock().unlock(); |
3.首先取出该用户所有评分过的项目和评分值(4)
4.依次计算这些项目间的平均评分差值(6~26),并存储在内存中。
01 | private long
processOneUser( long averageCount, long userID) throws
TasteException{ |
02 | log.debug( "Processingprefsforuser{}" ,userID); |
03 | //Saveoffprefsforthelifeofthisloopiteration |
04 | PreferenceArrayuserPreferences=dataModel.getPreferencesFromUser(userID); |
05 | int length=userPreferences.length(); |
06 | for ( int
i= 0 ;i<length-
1 ;i++){ |
07 | float pref***alue=userPreferences.getValue(i); |
08 | long itemIDA=userPreferences.getItemID(i); |
09 | FastByIDMap<RunningAverage>aMap=averageDiffs.get(itemIDA); |
11 | aMap= new
FastByIDMap<RunningAverage>(); |
12 | averageDiffs.put(itemIDA,aMap); |
14 | for ( int
j=i+ 1 ;j<length;j++){ |
15 | //Thisisaperformance-criticalblock |
16 | long itemIDB=userPreferences.getItemID(j); |
17 | RunningAverageaverage=aMap.get(itemIDB); |
18 | if (average==
null &&averageCount<maxEntries){ |
19 | average=buildRunningAverage(); |
20 | aMap.put(itemIDB,average); |
24 | average.addDatum(userPreferences.getValue(j)-pref***alue); |
27 | RunningAverageitemAverage=averageItemPref.get(itemIDA); |
29 | itemAverage=buildRunningAverage(); |
30 | averageItemPref.put(itemIDA,itemAverage); |
32 | itemAverage.addDatum(pref***alue); |
以上是启动时做的事,而当某个用户来了,需要为他计算推荐列表时,就快速许多了(是一个空间换时间的思想),下面的方法是某一个用户对其某一个他未评分过的产品的推荐值,参数UserId:用户ID;ItemId:为评分的产品ID
1.再次取出该用户评分过的所有产品(4):PreferenceArrayprefs中保存着ItemID和该用户对它的评分
2.取得上一步得到的prefs中的所有物品与itemID代表的物品之间的平均评分差值(5),其中DiffStoragediffStorage
对象中存放中每对产品间的平均评分差值(而上面启动时的计算都是在MySQLJDBCDiffStorage中实现的,计算后的
值也存于其中,它是DiffStorage接口的实现),所以取得的流程很简单,这里不贴代码了
3.最后就是依次推算评分过的产品到未评分的产品的一个推荐值=平均评分差值(两者间的)+已评分的分值(用
户对其中一个评分),然后将这些推荐值取个平均数(7~37),其中11行判断是否要考虑权重。
01 | private float
doEstimatePreference( long userID, long itemID) throws
TasteException{ |
03 | double totalPreference=
0.0 ; |
04 | PreferenceArrayprefs=getDataModel().getPreferencesFromUser(userID); |
05 | RunningAverage[]averages=diffStorage.getDiffs(userID,itemID,prefs); |
06 | int size=prefs.length(); |
07 | for ( int
i= 0 ;i<size;i++){ |
08 | RunningAverageaverageDiff=averages[i]; |
10 | double averageDiffValue=averageDiff.getAverage(); |
12 | double weight=averageDiff.getCount(); |
14 | double stdev=((RunningAverageAndStdDev)averageDiff).getStandardDeviation(); |
15 | if (!Double.isNaN(stdev)){ |
18 | //IfstdevisNaN,thenitisbecausecountis1.Becausewe'reweightingbycount, |
19 | //theweightisalreadyrelativelylow.Weeffectivelyassumestdevis0.0hereand |
20 | //thatisreasonableenough.Otherwise,dividingbyNaNwouldyieldaweightofNaN |
21 | //anddisqualifythisprefentirely |
24 | totalPreference+=weight*(prefs.getValue(i)+averageDiffValue); |
27 | totalPreference+=prefs.getValue(i)+averageDiffValue; |
33 | RunningAverageitemAverage=diffStorage.getAverageItemPref(itemID); |
34 | return itemAverage==
null ?Float.NaN:( float )itemAverage.getAverage(); |
36 | return ( float )(totalPreference/count); |
Slopeone的源码已分析完毕。
其实Slopeone推荐算法很流行,被很多网站使用,包括一些大型网站;我个人认为最主要的原因是它具备如下优势:
1.实现简单并且易于维护。
2.响应即时(只要用户做出一次评分,它就能有效推荐,根据上面代码很容易理解),并且用户的新增评分对推荐数据的改变量较小,应为在内存中存储的是物品间的平均差值,新增的差值只需累加一下,切范围是用户评分过的产品。
3.由于是基于项目的协同过滤算法,适用于当下火热的电子商务网站,原因电子商务网站用户量在几十万到上百万,产品量相对于之则要小得多,所以对产品归类从性能上讲很高效。
分析至此,祝大家周末愉快。
参考资料:
1.Slopeonehttp://zh.wikipedia.org/wiki/Slope_one
2.探索推荐引擎内部的秘密,第2部分:深入推荐引擎相关算法-协同过滤
http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy2/index.html