摘要:机器学习派是后起之秀,而相似度派则是泰山北斗,以致撑起来推荐系统的半壁江山。纯来做推荐基本不靠谱,所以我们来试一下基于和相似度来实现一个推荐系统。
对于内容类网站或者APP,搜索和推荐已经是标配。搜索相对容易,使用Elasticsearch简单配置一下就可以做出一个性能还不错效果也还可以的搜索引擎,然而,推荐系统的话,没有专门的团队实践起来还挺困难的。
网上推荐系统相关的理论非常多,但可用的实践却少见,要么是介绍相似度算法的demo,要么是讲高大上架构的文章,看懂这些离真正实现一个推荐系统还差着十万八千里。本文的重点不是介绍原理,也不是探讨算法优劣,侧重点在于如何基于Postgres快速落地一个性能还不错的推荐系统。
准备工作通过movielens.sql创建一个movielens数据库
createdb movielens curl https://raw.githubusercontent.com/ankane/movielens.sql/master/movielens.sql | psql -d movielens
主要包含以下关系表,其中ratings表大概10w左右的数据:
d ratings Table "public.ratings" Column | Type | Modifiers ----------+-----------------------------+----------- id | integer | not null user_id | integer | movie_id | integer | rating | integer | rated_at | timestamp without time zone |
d movies Table "public.movies" Column | Type | Modifiers ---------------+------------------------+------------------------- id | integer | not null title | character varying(255) | release_date | date |
d users; Table "public.users" Column | Type | Modifiers ---------------+------------------------+----------- id | integer | not null age | integer | gender | character(1) | occupation_id | integer | zip_code | character varying(255) |
另外还需要一个Rails项目:https://github.com/hooopo/movielens-rails-app
相似度算法“推荐系统中,推荐算法分为两个门派,一个是机器学习派,另一个就是相似度门派。机器学习派是后起之秀,而相似度派则是泰山北斗,以致撑起来推荐系统的半壁江山。”
相似度的算法非常多,下面来介绍一下常用的相似度算法以及Ruby代码实现。
Jaccard SimilarityJaccard相似度,是两个集合的交集元素个数在并集中所占的比例。由于集合非常适用于布尔向量表示,所以Jaccard相似度简直就是为布尔值向量私人定做的,即Jaccard相似度非常适合做隐式反馈数据,比如收藏行为、加购物车行为、点击行为等。
def jaccard_sim(other_movie) # 假设评分大于等于3的为喜欢 other_user_ids = other_movie.ratings.where("rating >= 3").pluck(:user_id) user_ids = self.ratings.where("rating >= 3").pluck(:user_id) # 交集数量 intersection = (other_user_ids & user_ids).count # 并集数量 union = (other_user_ids | user_ids).count return 0 if union.zero? intersection.to_f / union.to_f endCosine Similarity
余弦相似度在度量文本相似度、用户相似度、物品相似度的时候都较为常用,它与向量的长度无关。
def cosine_sim(other_movie) other_user_ratings = other_movie.ratings.map { |r| [r.user_id, r.rating] }.to_h user_ratings = self.ratings.map { |r| [r.user_id, r.rating] }.to_h # 有共同评价的用户 union_user_ids = other_user_ratings.keys & user_ratings.keys return 0 if union_user_ids.count == 0 u = other_user_ratings.values_at(*union_user_ids) v = user_ratings.values_at(*union_user_ids) dot_product = u.zip(v).map { |a, b| a*b }.sum magnitude_u = Math.sqrt(u.map { |x| x*x }.sum) magnitude_v = Math.sqrt(v.map { |x| x*x }.sum) cosine_similarity = dot_product.to_f / (magnitude_v * magnitude_u) endPearson Correlation
皮尔逊相关度,实际上也是一种余弦相似度,不过先对向量做了中心化,向量 p 和 q 各自减去向量的均值后,再计算余弦相似度。皮尔逊相关度和修正后的余弦相似度很像,但其实是有差别的,主要区别是均值的定义不同。
def pearson_sim(other_movie) other_user_ratings = other_movie.ratings.map { |r| [r.user_id, r.rating] }.to_h user_ratings = self.ratings.map { |r| [r.user_id, r.rating] }.to_h # 有共同评价的用户 union_user_ids = other_user_ratings.keys & user_ratings.keys n = union_user_ids.count return 0 if n == 0 u = other_user_ratings.values_at(*union_user_ids) v = user_ratings.values_at(*union_user_ids) sum_u = u.sum sum_v = v.sum sum_u_sq = u.map { |x| x*x }.sum sum_v_sq = v.map { |x| x*x }.sum prod_sum = u.zip(v).map { |x, y| x*y }.sum num = prod_sum - ((sum_u * sum_v) / n.to_f) den = Math.sqrt((sum_u_sq - (sum_u * sum_u) / n.to_f) * (sum_v_sq - (sum_v * sum_v) / n.to_f)) return 0 if den == 0 [num / den, 1].min end
最后,做下演示:
movie = Movie.first movie.recommendation_movies(limit: 10, using: :jaccard_sim)基于Postgres的推荐系统
上面代码的目的是为了学习三种算法的实现,所以没有复用,也没有性能方面的优化。纯Ruby来做推荐基本不靠谱,所以我们来试一下基于Posgres和Jaccard相似度来实现一个推荐系统。
首先上面Ruby代码里假设rating大于3就是喜欢,这并不十分准确,有些人评分可能非常严格,他只打1-3分,那么对于他来说,其实3分就算喜欢了。
为了应对这种情况,我们用用户均值来推断他是否喜欢一部电影。另外我们要便于以后计算方便,把计算结果先缓存到movies的like_user_ids字段上。
# 增加缓存字段like_user_ids,存储喜欢这部电影的用户ID def change add_column :movies, :like_user_ids, :integer, :array => true, :default => "{}" end # 使用PG内置扩展intarray:https://www.postgresql.org/docs/current/static/intarray.html # 对intarray的求交集操作可以利用gin or gist索引 def change enable_extension :intarray end def change execute <<-SQL CREATE INDEX like_user_ids_idx_2 ON movies USING gin(like_user_ids gin__int_ops); SQL end
第一次,批量初始化like_user_ids字段,单条记录更新可以实时计算出来填充进去。
WITH avg_rating_per_user AS ( SELECT movie_id, user_id, rating, AVG(rating) OVER (PARTITION BY user_id) AS avg_rating FROM ratings ), rating_per_movie AS ( SELECT movie_id, array_agg(user_id) AS like_user_ids FROM avg_rating_per_user WHERE rating > avg_rating GROUP BY movie_id ) UPDATE movies AS m SET like_user_ids = r.like_user_ids FROM rating_per_movie AS r WHERE r.movie_id = m.id;实时查询方案
def recommend_by_sql(limit: 10) Movie.find_by_sql(<<~SQL) SELECT array_length(m.like_user_ids & movies.like_user_ids, 1) / array_length(m.like_user_ids | movies.like_user_ids, 1)::float AS score, m.* FROM movies INNER JOIN movies AS m ON m.id != #{self.id} WHERE movies.id = #{self.id} ORDER BY 1 DESC LIMIT #{limit} SQL end
由于排序字段是一个动态计算值,所以这个语句无法利用索引,效率由movies表大小决定,但其实比Ruby版的已经快很多了。
预计算相似度方案基于相似度的推荐算法的目标就是产生一个Item-Item或User-User的相似度矩阵。用关系型数据库的表示方法为:
d item_item_matrix Table "public.item_item_matrix" Column | Type | Modifiers -----------+------------------+------------- u_id | integer | v_id | integer | sim_score | double precision | default 0.0 Indexes: "index_item_item_matrix_on_u_id_and_v_id" UNIQUE, btree (u_id, v_id) "index_item_item_matrix_on_u_id_and_sim_score_and_v_id" btree (u_id, sim_score, v_id)
假设movies表的数量是N,这个矩阵的条目数最大情况是 N*N,但实际并不需要全部Item之间的相似度都计算一遍:
相同ID的Item相似度一定是1,不需要计算和存储
相似度为0的并不需要存储
通过设置一个阈值score,过滤掉相似度很小的,比如score 小于0.2的就丢弃
通过设置一个阈值limit,过滤掉相关度排在后面的部分,比如一个Item最多存储相关度最高的10个Item
经过上面的步骤,相关度矩阵的存储可以优化到10*N左右,即10w个电影的话,相似度矩阵里只需要存储100w条记录。
def recommend_by_matrix(limit: 10) Movie.find_by_sql(<<~SQL) SELECT m.*, matrix.sim_score FROM item_item_matrix AS matrix INNER JOIN movies AS m ON m.id = matrix.v_id WHERE matrix.u_id = #{self.id} ORDER BY matrix.sim_score DESC LIMIT #{limit} SQL end
如果sim_score已经预先计算好,这个查询直接可以index only,记录条数再多也是非常快的。不管是TopN推荐还是评分预测,只要相似度矩阵计算好了,之后的事情易如反掌。
下面就来预计算相似度。
WITH matrix AS ( SELECT u.id AS u_id, v.id as v_id, array_length(v.like_user_ids & u.like_user_ids, 1) / array_length(u.like_user_ids | v.like_user_ids, 1)::float AS sim_score FROM movies AS u, movies AS v WHERE u.id > v.id AND v.like_user_ids && u.like_user_ids ), matrix_trim AS ( SELECT u_id, v_id, sim_score FROM ( SELECT u_id, v_id, sim_score, row_number() OVER (partition by u_id ORDER BY sim_score desc) AS row_num FROM matrix WHERE sim_score > 0.01 /* 过滤掉相似度太小的值 */ ) AS tmp WHERE row_num <= 10 /* 取最相近的10条记录 */ ) INSERT INTO item_item_matrix ( SELECT u_id, v_id, sim_score FROM matrix_trim UNION /* u_id, v_id只需要计算一次,但存储两份,为了查询方便高效 */ SELECT v_id AS u_id, u_id AS v_id, sim_score FROM matrix_trim ) ON CONFLICT (u_id, v_id) DO UPDATE SET sim_score = excluded.sim_score;增量更新和离线处理
上面已经把相似度矩阵初始化完毕,对于新增数据,我们只需要把发生变化的数据重新计算一遍插入到item item matrix表里,这个代价非常小,可以bulk,也可以离线。对于数量大的系统,初始化步骤也是可以分步批量插入的。由于基于Postgres,对于超大量数据的情况,也可以平滑迁移到greemplum和citus或redshift这种可以并行查询计算的存储。
另外,也有一些基于postgres的推荐扩展,不过版本都不是很新:
https://github.com/DataSystem...
http://sigaev.ru/git/gitweb.c...;a=summary
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/17820.html
摘要:机器学习派是后起之秀,而相似度派则是泰山北斗,以致撑起来推荐系统的半壁江山。纯来做推荐基本不靠谱,所以我们来试一下基于和相似度来实现一个推荐系统。 对于内容类网站或者APP,搜索和推荐已经是标配。搜索相对容易,使用Elasticsearch简单配置一下就可以做出一个性能还不错效果也还可以的搜索引擎,然而,推荐系统的话,没有专门的团队实践起来还挺困难的。 网上推荐系统相关的理论非常多,但...
阅读 975·2023-04-25 19:35
阅读 2528·2021-11-22 09:34
阅读 3636·2021-10-09 09:44
阅读 1688·2021-09-22 15:25
阅读 2917·2019-08-29 14:00
阅读 3353·2019-08-29 11:01
阅读 2575·2019-08-26 13:26
阅读 1718·2019-08-23 18:08