推薦系統中的隱語義模型

使用LFM(Latent factor model)隱語義模型進行Top-N推薦node

最近在拜讀項亮博士的《推薦系統實踐》,系統的學習一下推薦系統的相關知識。今天學習了其中的隱語義模型在Top-N推薦中的應用,在此作一個總結。

隱語義模型LFM和LSI,LDA,Topic Model其實都屬於隱含語義分析技術,是一類概念,他們在本質上是相通的,都是找出潛在的主題或分類。這些技術一開始都是在文本挖掘領域中提出來的,近些年它們也被不斷應用到其餘領域中,並獲得了不錯的應用效果。好比,在推薦系統中它可以基於用戶的行爲對item進行自動聚類,也就是把item劃分到不一樣類別/主題,這些主題/類別能夠理解爲用戶的興趣。

對於一個用戶來講,他們可能有不一樣的興趣。就以做者舉的豆瓣書單的例子來講,用戶A會關注數學,歷史,計算機方面的書,用戶B喜歡機器學習,編程語言,離散數學方面的書, 用戶C喜歡大師Knuth, Jiawei Han等人的著做。那咱們在推薦的時候,確定是向用戶推薦他感興趣的類別下的圖書。那麼前提是咱們要對全部item(圖書)進行分類。那如何分呢?你們注意到沒有,分類標準這個東西是因人而異的,每一個用戶的想法都不同。拿B用戶來講,他喜歡的三個類別其實均可以算做是計算機方面的書籍,也就是說B的分類粒度要比A小;拿離散數學來說,他既能夠算做數學,也可當作計算機方面的類別,也就是說有些item不能簡單的將其劃歸到肯定的單一類別;拿C用戶來講,他傾向的是書的做者,只看某幾個特定做者的書,那麼跟A,B相比它的分類角度就徹底不一樣了。

顯然咱們不能靠由單我的(編輯)或team的主觀想法創建起來的分類標準對整個平臺用戶喜愛進行標準化。

此外咱們還須要注意的兩個問題:python

  1. 咱們在可見的用戶書單中歸結出3個類別,不等於該用戶就只喜歡這3類,對其餘類別的書就一點興趣也沒有。也就是說,咱們須要瞭解用戶對於全部類別的興趣度。
  2. 對於一個給定的類來講,咱們須要肯定這個類中每本書屬於該類別的權重。權重有助於咱們肯定該推薦哪些書給用戶。

下面咱們就來看看LFM是如何解決上面的問題的?對於一個給定的用戶行爲數據集(數據集包含的是全部的user, 全部的item,以及每一個user有過行爲的item列表),使用LFM對其建模後,咱們能夠獲得以下圖所示的模型:(假設數據集中有3個user, 4個item, LFM建模的分類數爲4)算法

 

R矩陣是user-item矩陣,矩陣值Rij表示的是user i 對item j的興趣度,這正是咱們要求的值。對於一個user來講,當計算出他對全部item的興趣度後,就能夠進行排序並做出推薦。LFM算法從數據集中抽取出若干主題,做爲user和item之間鏈接的橋樑,將R矩陣表示爲P矩陣和Q矩陣相乘。其中P矩陣是user-class矩陣,矩陣值Pij表示的是user i對class j的興趣度;Q矩陣式class-item矩陣,矩陣值Qij表示的是item j在class i中的權重,權重越高越能做爲該類的表明。因此LFM根據以下公式來計算用戶U對物品I的興趣度編程

咱們發現使用LFM後, 機器學習

  1. 咱們不須要關心分類的角度,結果都是基於用戶行爲統計自動聚類的,全憑數據本身說了算。
  2. 不須要關心分類粒度的問題,經過設置LFM的最終分類數就可控制粒度,分類數越大,粒度約細。
  3. 對於一個item,並非明確的劃分到某一類,而是計算其屬於每一類的機率,是一種標準的軟分類。
  4. 對於一個user,咱們能夠獲得他對於每一類的興趣度,而不是隻關心可見列表中的那幾個類。
  5. 對於每個class,咱們能夠獲得類中每一個item的權重,越能表明這個類的item,權重越高。

 

那麼,接下去的問題就是如何計算矩陣P和矩陣Q中參數值。通常作法就是最優化損失函數來求參數。在定義損失函數以前,咱們須要準備一下數據集並對興趣度的取值作一說明。編程語言


數據集應該包含全部的user和他們有過行爲的(也就是喜歡)的item。全部的這些item構成了一個item全集。對於每一個user來講,咱們把他有過行爲的item稱爲正樣本,規定興趣度RUI=1,此外咱們還須要從item全集中隨機抽樣,選取與正樣本數量至關的樣本做爲負樣本,規定興趣度爲RUI=0。所以,興趣的取值範圍爲[0,1]。


採樣以後原有的數據集獲得擴充,獲得一個新的user-item集K={(U,I)},其中若是(U,I)是正樣本,則RUI=1,不然RUI=0。損失函數以下所示:函數

上式中的是用來防止過擬合的正則化項,λ須要根據具體應用場景反覆實驗獲得。損失函數的優化使用隨機梯度降低算法:學習

  1. 經過求參數PUK和QKI的偏導肯定最快的降低方向;
  1. 迭代計算不斷優化參數(迭代次數事先人爲設置),直到參數收斂。



其中,α是學習速率,α越大,迭代降低的越快。α和λ同樣,也須要根據實際的應用場景反覆實驗獲得。本書中,做者在MovieLens數據集上進行實驗,他取分類數F=100,α=0.02,λ=0.01。
               【注意】:書中在上面四個式子中都缺乏了


綜上所述,執行LFM須要:優化

  1. 根據數據集初始化P和Q矩陣(這是我暫時沒有弄懂的地方,這個初始化過程究竟是怎麼樣進行的,還懇請各位童鞋予以賜教。)
  2. 肯定4個參數:分類數F,迭代次數N,學習速率α,正則化參數λ。

LFM的僞代碼能夠表示以下:ui

 

[python]  view plain copy
 
 
  1. def LFM(user_items, F, N, alpha, lambda):  
  2.     #初始化P,Q矩陣  
  3.     [P, Q] = InitModel(user_items, F)  
  4.     #開始迭代  
  5.     For step in range(0, N):  
  6.         #從數據集中依次取出user以及該user喜歡的iterms集  
  7.         for user, items in user_item.iterms():  
  8.             #隨機抽樣,爲user抽取與items數量至關的負樣本,並將正負樣本合併,用於優化計算  
  9.             samples = RandSelectNegativeSamples(items)  
  10.             #依次獲取item和user對該item的興趣度  
  11.             for item, rui in samples.items():  
  12.                 #根據當前參數計算偏差  
  13.                 eui = eui - Predict(user, item)  
  14.                 #優化參數  
  15.                 for f in range(0, F):  
  16.                     P[user][f] += alpha * (eui * Q[f][item] - lambda * P[user][f])  
  17.                     Q[f][item] += alpha * (eui * P[user][f] - lambda * Q[f][item])  
  18.         #每次迭代完後,都要下降學習速率。一開始的時候因爲離最優值相差甚遠,所以快速降低;  
  19.         #當優化到必定程度後,就須要放慢學習速率,慢慢的接近最優值。  
  20.         alpha *= 0.9  


本人對書中的僞代碼追加了註釋,有不對的地方還請指正。

 


當估算出P和Q矩陣後,咱們就可使用(*)式計算用戶U對各個item的興趣度值,並將興趣度值最高的N個iterm(即TOP N)推薦給用戶。

總結來講,LFM具備成熟的理論基礎,它是一個純種的學習算法,經過最優化理論來優化指定的參數,創建最優的模型。

本文來源於此博客

相關文章
相關標籤/搜索