【Tensorflow 2.12 简单智能商城商品推荐系统搭建】

Tensorflow 2.12 简单智能商城商品推荐系统搭建

• 前言
• 架构
• 数据
• 召回
• 排序
• 部署
• 调用
• 结尾

前言

基于 Tensorflow 2.12 搭建一个简单的智能商城商品推荐系统demo~

主要包含6个部分，首先是简单介绍系统架构，接着是训练数据收集、处理，然后是召回模型、排序模型的搭建以及训练、导出等，最后是部署模型提供REST API接口以及如何调用进行推荐。

Tensorflow是谷歌开源的机器学习框架，可以帮助我们轻松地构建和部署机器学习模型。这里记录学习使用Tensorflow来搭建一个简单的智能商城商品推荐系统。

相关版本：

• python 3.1.0
• pandas 2.0.3
• tensorflow 2.12.0
• tensorflow-recommenders 0.7.3

架构

通常一个商城系统主要包含前端、后台，前端包含网站、移动H5、APP、小程序、公众号等，后台主要包含相关的API服务以及存储层等。

首先运营通过后台来录入商品信息、进行上架，然后前端用户通过商城APP、小程序来浏览商品、搜索商品、进行下单购买、关注、收藏等。

一般系统中都会保留用户的这些操作数据，例如浏览数据、搜索数据、下单数据等，结合运营录入的商品数据，通过定时Job生成用户的特征数据、商品的特征数据，然后使用机器学习来找到用户喜欢的但又没有购买过的商品，进行简单的AI推荐。

这里简单的画了一个图：

数据

数据收集部分这里就不展开讲了，相信现在大部分电商系统都有保留用户的一些搜索数据、下单数据等，以及后台录入的商品数据，通过一个定时JOB，定时把数据查询出来导出为CSV文件即可，作为后续进行模型训练的数据集。

当然没有也没关系，可以写一个简单的Java方法、或者python方法随机生成数据，写到CSV文件中。

这里先从最简单的开始，只使用用户的下单数据以及商品数据来进行训练（主要特征为用户Id、商品Id）。

召回

主要是训练一个双塔召回模型，根据用户的历史下单数据以及商品数据，召回几百到数千条用户喜欢的商品（基于内容的推荐）。

召回模型搭建分为以下几部分：

1、数据处理

2、模型搭建

3、模型训练

4、模型评估

5、模型导出

import pprint
import pandas as pd

from typing import Dict, Text

import numpy as np
import tensorflow as tf
import tensorflow_recommenders as tfrs

# -*- coding:utf-8 -*-

# 使用pandas加载数据
order_df = pd.read_csv("C:\\data\\python\\data\\blog\\order.csv", encoding="gbk")
pprint.pprint(order_df.shape)
pprint.pprint(order_df.head(5))

# 处理数据类型（转为字符串）
order_df['user_id'] = order_df['user_id'].astype(str)
order_df['product_id'] = order_df['product_id'].astype(str)

# 将DataFrame（pandas）转换为Dataset（tensorflow）
order_df = tf.data.Dataset.from_tensor_slices(dict(order_df))
for x in order_df.take(1).as_numpy_iterator():
    pprint.pprint(x)

# 准备嵌入向量的词汇表（用户的）
user_ds = order_df.map(lambda x: {
    "user_id": x["user_id"],
    "product_id": x["product_id"]
})
# 准备嵌入向量的词汇表（商品的）
product_ds = order_df.map(lambda x: x["product_id"])

# 随机数种子
tf.random.set_seed(42)
# 打乱数据
shuffled = user_ds.shuffle(100_000, seed=42, reshuffle_each_iteration=False)
# 切分数据，分为训练数据以及验证数据
train = shuffled.take(80_000)
test = shuffled.skip(80_000).take(20_000)

# 数据分片
user_ids = user_ds.batch(1_000_000).map(lambda x: x["user_id"])
product_ids = product_ds.batch(1_000)
# 获取唯一的用户Id列表以及商品列表
unique_user_ids = np.unique(np.concatenate(list(user_ids)))
pprint.pprint(unique_user_ids[:5])
unique_product_ids = np.unique(np.concatenate(list(product_ids)))
pprint.pprint(unique_product_ids[:5])

# 将用户特征映射到用户embedding中，查询塔
user_model = tf.keras.Sequential([
    tf.keras.layers.StringLookup(vocabulary=unique_user_ids, mask_token=None),
    tf.keras.layers.Embedding(len(unique_user_ids) + 1, 32)
])
# 将商品特征映射到商品embedding中，候选条目塔
product_model = tf.keras.Sequential([
    tf.keras.layers.StringLookup(vocabulary=unique_product_ids, mask_token=None),
    tf.keras.layers.Embedding(len(unique_product_ids) + 1, 32)
])

# 定义模型指标
metrics = tfrs.metrics.FactorizedTopK(
    candidates=product_ds.batch(128).map(product_model)
)
# 任务类，把损失函数和指标计算放在一起，本身是一个keras层
task = tfrs.tasks.Retrieval(
    metrics=metrics
)

# 完整的双塔召回模型类，负责循环训练模型
class RecModel(tfrs.Model):

    # 初始化方法
    def __init__(self, user_model, product_model):
        super().__init__()
        self.user_model: tf.keras.Model = user_model
        self.product_model: tf.keras.Model = product_model
        self.task: tf.keras.layers.Layer = task

    # 计算损失
    def compute_loss(self, features: Dict[Text, tf.Tensor], training=False) -> tf.Tensor:
        # 获取用户特征
        user_embeddings = self.user_model(features["user_id"])
        # 获取商品特征
        positive_product_embeddings = self.product_model(features["product_id"])
        # 计算损失
        return self.task(user_embeddings, positive_product_embeddings)


# 创建模型实例
model = RecModel(user_model, product_model)
model.compile(optimizer=tf.keras.optimizers.Adagrad(learning_rate=0.05))

# 缓存数据
cached_train = train.shuffle(100_000).batch(8192).cache()
cached_test = test.batch(4096).cache()

# 开始训练
model.fit(cached_train, epochs=3)

# 评估模型
model.evaluate(cached_test, return_dict=True)

# 为训练好的模型建立索引，这里设置召回前100条商品条目
index = tfrs.layers.factorized_top_k.BruteForce(model.user_model, k=100)
index.index_from_dataset(
    tf.data.Dataset.zip((product_ds.batch(100), product_ds.batch(100).map(model.product_model)))
)

# 进行预测
scores, products = index(tf.constant(["42"]))
pprint.pprint(f"用户Id 42 召回结果: {products[0, :5]}")

# 保存、加载模型路径
path = "C:\\data\\python\\data\\blog\\index\\"
# 保存模型
tf.saved_model.save(index, path)
# 加载模型
loaded = tf.saved_model.load(path)
# 进行预测
scores, products = loaded(["42"])
pprint.pprint(f"用户Id 42 召回结果: {products[0, :5]}")

排序

排序部分，主要是根据用户对商品的评分数据训练出一个排序模型，当然有的系统不一定有评分模块，可以以用户的订单数据为基础，结合系统中的其他数据，经过一定的转换算法来生成评分数据，如用户下单记录可以先简单理解为用户喜欢这个商品，记录用户对这个商品的基础评分1分，假如用户多次购买这个商品，在基础分上再加1分，其它的数据如用户分享过的、点赞过的、搜索过的商品都可以加1分或者作为基础分，这样来把系统中的隐式反馈数据转换为显式评分数据，方便后续进行排序模型训练。这里先简单的以用户的下单数据来作为评分数据进行训练，即用户下单的商品都赋值为1分（下图中rating列）。

排序模型搭建同样分为以下几部分：

1、数据处理

2、模型搭建

3、模型训练

4、模型评估

5、模型导出

import pprint

from typing import Dict, Text

import pandas as pd
import numpy as np
import tensorflow as tf
import tensorflow_recommenders as tfrs

# 使用pandas加载数据
order_df = pd.read_csv("C:\\data\\python\\data\\blog\\order.csv", encoding="gbk")
pprint.pprint(order_df.shape)
pprint.pprint(order_df.head(5))

# 处理数据类型
order_df['user_id'] = order_df['user_id'].astype(str)
order_df['product_id'] = order_df['product_id'].astype(str)
order_df['rating'] = order_df['rating'].astype(float)

# 将DataFrame（pandas）转换为Dataset（tensorflow）
order_df = tf.data.Dataset.from_tensor_slices(dict(order_df))
for x in order_df.take(1).as_numpy_iterator():
    pprint.pprint(x)

# 准备嵌入向量的词汇表
ratings = order_df.map(lambda x: {
    "user_id": x["user_id"],
    "product_id": x["product_id"],
    "rating": x["rating"]
})

# 随机数种子
tf.random.set_seed(42)
# 打乱数据
shuffled = ratings.shuffle(100_000, seed=42, reshuffle_each_iteration=False)
# 切分数据，分为训练数据以及验证数据
train = shuffled.take(80_000)
test = shuffled.skip(80_000).take(20_000)

# 数据分片
user_ids = ratings.batch(1_000_000).map(lambda x: x["user_id"])
product_ids = ratings.batch(1_000_000).map(lambda x: x["product_id"])
# 获取唯一的用户Id列表以及商品列表
unique_user_ids = np.unique(np.concatenate(list(user_ids)))
pprint.pprint(unique_user_ids[:5])
unique_product_ids = np.unique(np.concatenate(list(product_ids)))
pprint.pprint(unique_product_ids[:5])

# 实现排序模型
class BaseModel(tf.keras.Model):

  def __init__(self):
    super().__init__()
    embedding_dimension = 32

    # 用户 embeddings
    self.user_embeddings = tf.keras.Sequential([
      tf.keras.layers.StringLookup(vocabulary=unique_user_ids, mask_token=None),
      tf.keras.layers.Embedding(len(unique_user_ids) + 1, embedding_dimension)
    ])

    # 商品 embeddings
    self.product_embeddings = tf.keras.Sequential([
      tf.keras.layers.StringLookup(
        vocabulary=unique_product_ids, mask_token=None),
      tf.keras.layers.Embedding(len(unique_product_ids) + 1, embedding_dimension)
    ])

    # 预测模型
    self.ratings = tf.keras.Sequential([
      tf.keras.layers.Dense(256, activation="relu"),
      tf.keras.layers.Dense(64, activation="relu"),
      tf.keras.layers.Dense(1)
  ])

  def call(self, inputs):
    # 获取输入
    user_id, product_id = inputs
    # 获取用户特征、商品特征
    user_embedding = self.user_embeddings(user_id)
    product_embedding = self.product_embeddings(product_id)
    # 计算评分
    return self.ratings(tf.concat([user_embedding, product_embedding], axis=1))


# 完整的模型
class RankModel(tfrs.models.Model):

  def __init__(self):
    super().__init__()
    self.ranking_model: tf.keras.Model = BaseModel()
    # 定义损失函数以及评估指标
    self.task: tf.keras.layers.Layer = tfrs.tasks.Ranking(
      loss = tf.keras.losses.MeanSquaredError(),
      metrics=[tf.keras.metrics.RootMeanSquaredError()]
    )

  def call(self, features: Dict[str, tf.Tensor]) -> tf.Tensor:
    return self.ranking_model((features["user_id"], features["product_id"]))

  def compute_loss(self, features: Dict[Text, tf.Tensor], training=False) -> tf.Tensor:
    # 获取实际评分
    labels = features.pop("rating")
    # 获取预测评分
    rating_predictions = self(features)
    # 计算损失
    return self.task(labels=labels, predictions=rating_predictions)


# 实例化模型
model = RankModel()
model.compile(optimizer=tf.keras.optimizers.Adagrad(learning_rate=0.05))

# 缓存训练和评估数据
cached_train = train.shuffle(100_000).batch(8192).cache()
cached_test = test.batch(4096).cache()

# 训练模型
model.fit(cached_train, epochs=3)

# 评估模型
model.evaluate(cached_test, return_dict=True)

# 测试排序模型
test_ratings = {}
test_product_ids = ["1", "2", "3", "4", "5"]
for product_id in test_product_ids:
  test_ratings[product_id] = model({
      "user_id": np.array(["1"]),
      "product_id": np.array([product_id])
  })

# 倒序打印排序结果
for product, score in sorted(test_ratings.items(), key=lambda x: x[1], reverse=True):
  print(f"排序结果 {product}: {score}")

# 保存模型
tf.saved_model.save(model, "C:\\data\\python\\data\\blog\\rank\\")

# 加载模型
loaded = tf.saved_model.load("C:\\data\\python\\data\\blog\\rank\\")

# 进行排序
print(loaded({"user_id": np.array(["42"]), "product_id": ["42"]}).numpy())

部署

召回以及排序模型训练好之后，我们需要进行部署，提供接口给前端应用进行调用，TensorFlow也提供了部署的组件（TensorFlow Serving），方便开发者快速进行部署，以便提供推荐服务。

1、拉取镜像

docker pull tensorflow/serving

2、配置文件

这里我们有两个训练好的模型，一个是召回模型（index），一个是排序模型（rank），还需要再编写一个配置文件（models.config），配置两个模型的相关信息（包含模型的名称、路径、以及生成模型的平台），具体如下：

model_config_list:{
     config:{
          name:"index",
          base_path:"/models/index",
          model_platform:"tensorflow"
     },
     config:{
          name:"rank",
          base_path:"/models/rank",
          model_platform:"tensorflow"
     }
}

编写完成后，总的文件以及相关目录如下：

这些文件在dockerfile中进行添加或者启动容器后上传都可以，这里注意一个点，模型文件夹里面还需要再建一个版本号文件夹，例如1，用来表示版本号，具体可见下面截图：

3、启动容器

这里直接以上面拉取的tensorflow/serving镜像为基础，启动容器，同时挂载本地的models文件夹到容器的models文件夹下，以及指定多模型配置文件（models.config），即可运行，具体如下：

docker run -t -p 8501:8501 --mount type=bind,source=E:\data\python\simple\models,target=/models -e MODEL_NAME=index -t tensorflow/serving --model_config_file=/models/models.config &

如果有用docker desktop，可以在containers界面看到启动的容器，点击进去查看日志，可以看到两个模型已经成功加载，服务也成功启动，相关截图如下：

查看容器的文件目录，可以看到我们挂载进去的models文件夹以及下面的相关模型、配置文件，截图如下：

调用

推荐模型部署好之后，我们就可以用http post的方式来调用推荐服务提供的rest api接口了。召回服务的调用路径为：http://localhost:8501/v1/models/index:predict，其中v1对应之前建立的版本号文件夹1，index对应的是召回模型名称，predict是表示进行预测的意思，同理排序模型的调用路径为：http://localhost:8501/v1/models/rank:predict。

这里模拟为用户Id为1和2的两个用户进行商品推荐，示例如下：

# 1、先进行召回推荐，这里使用curl命令来进行调用
curl -d '{"instances":["1","2"]}' -X POST http://localhost:8501/v1/models/index:predict
# 召回推荐返回如下：
{
    "predictions": [ # 推荐列表
        { # 用户Id为1召回结果
            "output_1": [3.94739556,2.27907419, ...... ], # 召回的依据：分数，100个
            "output_2": ["59001","3039", ...... ] # 召回商品Id，与分数一一对应，100个
        },
        { # 用户Id为2召回结果
            "output_1": [2.272927,2.263876706, ...... ],
            "output_2": ["11632","7338", ...... ]
        }
    ]
}
# 2、将召回推荐的结果再输入排序模型来进行排序，得到最终的推荐结果，这里对用户Id为1的召回结果进行排序，用户Id为2同理：
curl -d '{"inputs":{"customer_id":["1","1", ...... ],"product_id":["59001","3039", ......（这里是召回的100个商品Id，太长了省略） ]}}' -X POST http://localhost:8501/v1/models/rank:predict
# 排序返回如下，可以取排序后分数最高的前10个商品作为最终的结果推荐给用户：
{
    "outputs": [ # 排序列表
        [1.19891763], # 排序的依据分数，与请求参数中的商品Id一一对应，100条
        [1.15422344],
        ......
    ]
}

结尾

一个简单的推荐系统demo搭建到这里就结束了，当然生产的推荐肯定不会这么简单，需要我们收集更多的用户特征、商品特征，以及优化、调整超参数～