SVD、SVD++、PMF 和 NMF 是几种常见的推荐算法,它们主要用于协同过滤和矩阵分解方法来生成个性化推荐。下面是对每种算法的简要介绍:
1. SVD(Singular Value Decomposition)
- 用途:SVD 是一种矩阵分解技术,通常用于降维和数据压缩。在推荐系统中,SVD 用于分解用户-物品评分矩阵,从而识别潜在的特征。
- 原理:SVD 将评分矩阵分解为三个矩阵的乘积:用户矩阵、奇异值矩阵和物品矩阵。通过保留前几个最大的奇异值,可以捕捉到用户和物品之间的隐含关系。
- 优势:能够处理稀疏数据,提取潜在特征,生成个性化推荐。
- 缺点:对缺失值敏感,且需要较大的计算量。
2. SVD++(SVD Plus Plus)
- 用途:SVD++ 是对 SVD 的扩展,考虑了用户对未评分物品的潜在偏好。
- 原理:除了使用传统的 SVD 方法外,SVD++ 还引入了隐式反馈(如用户浏览、点击等行为),将这些信息融入模型中,增强了对用户偏好的捕捉能力。
- 优势:比传统 SVD 更加准确,能够更好地利用隐式反馈信息,适应性更强。
- 缺点:模型复杂度增加,训练时间较长。
3. PMF(Probabilistic Matrix Factorization)
- 用途:PMF 是一种基于概率的矩阵分解方法,用于推荐系统。
- 原理:PMF 假设用户和物品的特征遵循正态分布,通过最大化似然函数来学习这些特征。与 SVD 不同,PMF 通过引入概率模型来捕捉用户和物品之间的关系。
- 优势:能够处理缺失值,适应性强,适用于稀疏数据。
- 缺点:计算复杂度较高,可能需要较长的训练时间。
4. NMF(Non-negative Matrix Factorization)
- 用途:NMF 是一种非负矩阵分解方法,常用于推荐系统和特征学习。
- 原理:NMF 将原始评分矩阵分解为两个非负矩阵的乘积,这些非负特征使得模型在解释上更具可解释性。
- 优势:生成的特征可以更直观地理解,适合处理非负数据(如评分、计数等)。
- 缺点:可能会收敛到局部最优解,且在稀疏数据上表现不如 SVD 和 PMF。
各个推荐算法具有的特点是
- SVD:利用矩阵分解捕捉用户和物品的隐含特征。
- SVD++:在 SVD 的基础上引入隐式反馈,增强推荐精度。
- PMF:基于概率模型的矩阵分解,适应性强。
- NMF:非负矩阵分解,生成可解释的特征表示。
安装scikit-surprise
pip install pandas scikit-surprise
使用SVD
import pandas as pd
from surprise import Reader, Dataset, SVD
from surprise.model_selection import train_test_split
from surprise import accuracy
import json
# 1. 加载Yelp数据集
# 假设数据文件名为 'yelp_academic_dataset_review.json'
file_path = 'yelp_academic_dataset_review.json'
# 加载JSON文件到DataFrame
with open(file_path, 'r') as f:
data = [json.loads(line) for line in f]
# 将数据转换为pandas DataFrame
df = pd.DataFrame(data)
# 2. 选择必要的字段:user_id, business_id, rating
df = df[['user_id', 'business_id', 'stars']] # 假设评分字段是 'stars'
# 3. 数据预处理:将DataFrame转换为适合Surprise库的格式
reader = Reader(rating_scale=(1, 5)) # 假设评分是1到5
dataset = Dataset.load_from_df(df[['user_id', 'business_id', 'stars']], reader)
# 4. 划分训练集和测试集
trainset, testset = train_test_split(dataset, test_size=0.2)
# 5. 使用SVD训练模型
svd = SVD()
svd.fit(trainset)
# 6. 在测试集上进行预测并评估
predictions = svd.test(testset)
print(f'RMSE: {accuracy.rmse(predictions)}')
# 7. 获取每个用户的Top-N推荐商家
def get_top_n(predictions, n=10):
top_n = {}
for uid, iid, true_r, est, _ in predictions:
if uid not in top_n:
top_n[uid] = []
top_n[uid].append((iid, est))
# 对每个用户推荐列表按照评分进行排序
for uid, user_ratings in top_n.items():
user_ratings.sort(key=lambda x: x[1], reverse=True)
top_n[uid] = user_ratings[:n]
return top_n
# 获取推荐结果
top_n = get_top_n(predictions, n=10)
# 8. 为特定用户推荐商家
user_id = 'fB3jbHi3m0L2KgGOxBv6uw' # 替换为目标用户ID
recommended_businesses = top_n.get(user_id, [])
print(f"Top 10 recommended businesses for user {user_id}:")
for business_id, rating in recommended_businesses:
print(f"Business ID: {business_id}, Predicted Rating: {rating}")
这个示例假设评分值在1到5之间(即rating_scale=(1, 5)
),如果评分范围不同,请修改为适合你的数据集的范围。
运行结果
RMSE: 1.2863
RMSE: 1.2862955370267326
Top 10 recommended businesses for user fB3jbHi3m0L2KgGOxBv6uw
使用 SVD++
import pandas as pd
from surprise import Reader, Dataset, SVDpp
from surprise.model_selection import train_test_split
from surprise import accuracy
import json
# 1. 加载Yelp数据集
# 假设数据文件名为 'yelp_academic_dataset_review.json'
file_path = 'yelp_academic_dataset_review.json'
# 加载JSON文件到DataFrame
with open(file_path, 'r') as f:
data = [json.loads(line) for line in f]
# 将数据转换为pandas DataFrame
df = pd.DataFrame(data)
# 2. 选择必要的字段:user_id, business_id, rating
df = df[['user_id', 'business_id', 'stars']] # 假设评分字段是 'stars'
# 3. 数据预处理:将DataFrame转换为适合Surprise库的格式
reader = Reader(rating_scale=(1, 5)) # 假设评分是1到5
dataset = Dataset.load_from_df(df[['user_id', 'business_id', 'stars']], reader)
# 4. 划分训练集和测试集
trainset, testset = train_test_split(dataset, test_size=0.2)
# 5. 使用SVD++训练模型
svdpp = SVDpp()
svdpp.fit(trainset)
# 6. 在测试集上进行预测并评估
predictions = svdpp.test(testset)
print(f'RMSE: {accuracy.rmse(predictions)}')
# 7. 获取每个用户的Top-N推荐商家
def get_top_n(predictions, n=10):
top_n = {}
for uid, iid, true_r, est, _ in predictions:
if uid not in top_n:
top_n[uid] = []
top_n[uid].append((iid, est))
# 对每个用户推荐列表按照评分进行排序
for uid, user_ratings in top_n.items():
user_ratings.sort(key=lambda x: x[1], reverse=True)
top_n[uid] = user_ratings[:n]
return top_n
# 获取推荐结果
top_n = get_top_n(predictions, n=10)
# 8. 为特定用户推荐商家
user_id = 'fB3jbHi3m0L2KgGOxBv6uw' # 替换为目标用户ID
recommended_businesses = top_n.get(user_id, [])
print(f"Top 10 recommended businesses for user {user_id}:")
for business_id, rating in recommended_businesses:
print(f"Business ID: {business_id}, Predicted Rating: {rating}")
数据集的规模: SVD++
比SVD
复杂,所以如果数据集非常大,可能会需要更长时间进行训练,尤其是在计算资源有限的情况下。
运行结果
RMSE: 1.2947
RMSE: 1.2947410246403837
Top 10 recommended businesses for user fB3jbHi3m0L2KgGOxBv6uw:
使用PMF
PMF 在 Surprise 中实现为 SVD,因此我们可以直接使用 SVD 作为 PMF, 代码参见SVD
使用NMF
import pandas as pd
from surprise import Reader, Dataset, NMF
from surprise.model_selection import train_test_split
from surprise import accuracy
import json
# 1. 加载Yelp数据集
# 假设数据文件名为 'yelp_academic_dataset_review.json'
file_path = 'yelp_academic_dataset_review.json'
# 加载JSON文件到DataFrame
with open(file_path, 'r') as f:
data = [json.loads(line) for line in f]
# 将数据转换为pandas DataFrame
df = pd.DataFrame(data)
# 2. 选择必要的字段:user_id, business_id, rating
df = df[['user_id', 'business_id', 'stars']] # 假设评分字段是 'stars'
# 3. 数据预处理:将DataFrame转换为适合Surprise库的格式
reader = Reader(rating_scale=(1, 5)) # 假设评分是1到5
dataset = Dataset.load_from_df(df[['user_id', 'business_id', 'stars']], reader)
# 4. 划分训练集和测试集
trainset, testset = train_test_split(dataset, test_size=0.2)
# 5. 使用NMF(Non-negative Matrix Factorization)进行矩阵分解
nmf = NMF()
nmf.fit(trainset)
# 6. 在测试集上进行预测并评估
predictions = nmf.test(testset)
print(f'RMSE: {accuracy.rmse(predictions)}')
# 7. 获取每个用户的Top-N推荐商家
def get_top_n(predictions, n=10):
top_n = {}
for uid, iid, true_r, est, _ in predictions:
if uid not in top_n:
top_n[uid] = []
top_n[uid].append((iid, est))
# 对每个用户推荐列表按照评分进行排序
for uid, user_ratings in top_n.items():
user_ratings.sort(key=lambda x: x[1], reverse=True)
top_n[uid] = user_ratings[:n]
return top_n
# 获取推荐结果
top_n = get_top_n(predictions, n=10)
# 8. 为特定用户推荐商家
user_id = 'fB3jbHi3m0L2KgGOxBv6uw' # 替换为目标用户ID
recommended_businesses = top_n.get(user_id, [])
print(f"Top 10 recommended businesses for user {user_id}:")
for business_id, rating in recommended_businesses:
print(f"Business ID: {business_id}, Predicted Rating: {rating}")
NMF与SVD的区别:
NMF
(非负矩阵分解)不同于SVD
(奇异值分解),它强制矩阵的分解结果为非负值。适用于当数据有明显非负约束(例如评分数据)的情况。- 如果数据中包含负值,
NMF
可能无法正常工作,这时可以考虑使用SVD
。 - 性能问题: 如果数据集非常大,矩阵分解模型可能需要较长时间训练。可以考虑在大规模数据集上进行性能优化(例如使用并行计算或使用分布式计算框架)。
运行结果
RMSE: 1.4577
RMSE: 1.4577314669222752
Top 10 recommended businesses for user fB3jbHi3m0L2KgGOxBv6uw