【推荐系统】基于标签的推荐算法（SimpleTagBased，NormTagBased，TagBased-TFIDF）

本篇主要介绍基于标签的推荐算法，涉及了3个原理较简单的计算方法（Simple Tag-based、Normal Tag-based、Tag-based-Tfidf ），以及python代码实现。

1.概述

1.1 如何定义用户画像

用户画像即是对用户行为特征的总结归纳和描述，以更好的提升业务质量。
用户画像的关键步骤：

定义全局的用户唯一标识id（例如身份证、手机号、用户id等）
给用户打标签（用户标签，消费标签，行为标签，内容分析）
根据标签为为业务带来不同阶段的收益。在用户生命周期的3个阶段：获客、粘客、留客中，根据各类的用户数据对用户进行标签化、用户画像等，尽最大限度对用户进行留存。

1.2 如何给用户打标签

用户画像即描述用户的行为特征，可抽象为标签。那么如何给用户打标签呢？

典型的方式有：

PGC：专家生产，通过工作人员进行打标签（质量高，数据规范）
UGC：用户生产（质量低，数据不规范）

标签是对高维事物的抽象（降维），所以可以利用聚类、降维的方法进行物品标签的生成。目前主流的聚类方法有：Kmeans，EM，DBScan，层级聚类，PCA等等。

1.3 如何给用户推荐标签

当用户u给物品i打标签时，可以给用户推荐和物品i相关的标签，方法如下：

方法1：给用户u推荐整个系统最热门的标签
方法2：给用户u推荐物品i上最热门的标签
方法3：给用户u推荐他自己经常使用的标签
将方法2和3进行加权融合，生成最终的标签推荐结果

2.基于标签的算法

2.1 Simple Tag-based

其中 user_tags[u,t] 表示【用户u使用标签t的次数】，tag_items[t, i] 表示【物品i被打上标签t的次数】

2.2 Norm Tag-based

Simple Tag-based 使用次数的绝对值，在很多情况下不能真实的反映用户的个性化需求。比如可能某个用户尤其喜欢打标签，所以本身打标签的次数就比较多，或者某个标签可能非常热门，可能每个物品都打上这个热门标签，导致最终的score很大。因此对Simple Tag-based 做归一化改进，即Norm Tag-based 算法。

其中 user_tags[u] 表示【用户u打标签的总次数】，tag_items[t] 表示【标签t被使用的总次数】

2.3 Tag-based TFIDF

同样的，如果一个tag很热门，会导致给热门标签过大的权重，不能反应用户个性化的兴趣。
TF-IDF的定义：

TF：Term Frequency，词频=单词次数/文档中总单词数
一个单词的重要性和它在文档中出现的次数呈正比
IDF：Inverse Document Frequency，逆向文档频率=log（文档总数/(单词出现的文档数+1)）
一个单词在文档中的区分度。这个单词出现的文档数越少，区分度越大，IDF越大

这里借鉴TF-IDF的思想，使用tag_users[t]表示标签t被多少个不同的用户使用

3.代码实现

基本结构的定义：

用户打标签的记录【user_id, item_id, tag】
用户打过的标签【user_id, tag】
用户打过标签的item【user_id, item】
打上某标签的item【tag, item】
同样打过某标签的用户【tag, user_id】

# 使用SimpleTagBased算法对Delicious2K数据进行推荐
# 原始数据集：https://grouplens.org/datasets/hetrec-2011/
# 数据格式：userID  bookmarkID  tagID timestamp
import random
import math
import operator
import pandas as pd

file_path = "./user_taggedbookmarks-timestamps.dat"
# 字典类型，保存了user对item的tag，即{userid: {item1:[tag1, tag2], ...}}
records = {}
# 训练集，测试集
train_data = dict()
test_data = dict()
# 用户标签，商品标签
user_tags = dict()
tag_items = dict()
user_items = dict()

# 使用测试集，计算精确率和召回率
def precisionAndRecall(N):
    hit = 0
    h_recall = 0
    h_precision = 0
    for user,items in test_data.items():
        if user not in train_data:
            continue
        # 获取Top-N推荐列表
        rank = recommend(user, N)
        for item,rui in rank:
            if item in items:
                hit = hit + 1
        h_recall = h_recall + len(items)
        h_precision = h_precision + N
    #print('一共命中 %d 个, 一共推荐 %d 个, 用户设置tag总数 %d 个' %(hit, h_precision, h_recall))
    # 返回准确率 和 召回率
    return (hit/(h_precision*1.0)), (hit/(h_recall*1.0))

# 对单个用户user推荐Top-N
def recommend(user, N):
    recommend_items=dict()
    # 对Item进行打分，分数为所有的（用户对某标签使用的次数 wut, 乘以 商品被打上相同标签的次数 wti）之和
    tagged_items = user_items[user]     
    for tag, wut in user_tags[user].items():
        #print(self.user_tags[user].items())
        for item, wti in tag_items[tag].items():
            if item in tagged_items:
                continue
            #print('wut = %s, wti = %s' %(wut, wti))
            
            
            if item not in recommend_items:
                recommend_items[item] = wut * wti
            else:
                recommend_items[item] = recommend_items[item] + wut * wti
    return sorted(recommend_items.items(), key=operator.itemgetter(1), reverse=True)[0:N]

# 使用测试集，对推荐结果进行评估
def testRecommend():
    print("推荐结果评估")
    print("%3s %10s %10s" % ('N',"精确率",'召回率'))
    for n in [5,10,20,40,60,80,100]:
        precision,recall = precisionAndRecall(n)
        print("%3d %10.3f%% %10.3f%%" % (n, precision * 100, recall * 100))
        
# 数据加载
def load_data():
    print("开始数据加载...")
    df = pd.read_csv(file_path, sep='\t')
    for i in range(len(df)):
        uid = df['userID'][i]
        iid = df['bookmarkID'][i]
        tag = df['tagID'][i]
        # 键不存在时，设置默认值{}
        records.setdefault(uid,{})
        records[uid].setdefault(iid,[])
        records[uid][iid].append(tag)
    print("数据集大小为 %d." % (len(df)))
    print("设置tag的人数 %d." % (len(records)))
    print("数据加载完成\n")

# 将数据集拆分为训练集和测试集
def train_test_split(ratio, seed=100):
    random.seed(seed)
    for u in records.keys():
        for i in records[u].keys():
            # ratio比例设置为测试集
            if random.random()<ratio:
                test_data.setdefault(u,{})
                test_data[u].setdefault(i,[])
                for t in records[u][i]:
                    test_data[u][i].append(t)
            else:
                train_data.setdefault(u,{})
                train_data[u].setdefault(i,[])
                for t in records[u][i]:
                    train_data[u][i].append(t)        
    print("训练集样本数 %d, 测试集样本数 %d" % (len(train_data),len(test_data)))

# 设置矩阵 mat[index, item] = 1
def addValueToMat(mat, index, item, value=1):
    if index not in mat:
        mat.setdefault(index,{})
        mat[index].setdefault(item,value)
    else:
        if item not in mat[index]:
            mat[index][item] = value
        else:
            mat[index][item] += value


# 使用训练集，初始化user_tags, tag_items, user_items
def initStat():
    records=train_data
    for u,items in records.items():
        for i,tags in items.items():
            for tag in tags:
                #print tag
                # 用户和tag的关系
                addValueToMat(user_tags, u, tag, 1)
                # tag和item的关系
                addValueToMat(tag_items, tag, i, 1)
                # 用户和item的关系
                addValueToMat(user_items, u, i, 1)
    print("user_tags, tag_items, user_items初始化完成.")
    print("user_tags大小 %d, tag_items大小 %d, user_items大小 %d" % (len(user_tags), len(tag_items), len(user_items)))

# 数据加载
load_data()
# 训练集，测试集拆分，20%测试集
train_test_split(0.2)
initStat()
testRecommend()

开始数据加载...
数据集大小为 437593.
设置tag的人数 1867.
数据加载完成

训练集样本数 1860, 测试集样本数 1793
user_tags, tag_items, user_items初始化完成.
user_tags大小 1860, tag_items大小 36884, user_items大小 1860
推荐结果评估
  N        精确率        召回率
  5      0.829%      0.355%
 10      0.633%      0.542%
 20      0.512%      0.877%
 40      0.381%      1.304%
 60      0.318%      1.635%
 80      0.276%      1.893%
100      0.248%      2.124%

参考链接：https://blog.csdn.net/weixin_41578567/article/details/110049018

posted @ 2020-11-26 09:24 亚北薯条阅读(5559) 评论(0) 编辑收藏举报

刷新页面返回顶部