我想用 Python 构建一个基于内容的推荐系统,该系统使用多个属性来确定两个项目是否相似。在我的例子中,“项目”是由 C# 包管理器 ( example ) 托管的包,它们具有各种属性,例如名称、描述、有助于识别类似包的标签。
我有一个原型(prototype)推荐系统 here目前只使用一个属性,描述,来决定包是否相似。它计算描述的 TF-IDF 排名,并打印出基于此的前 10 个推荐:
# Code mostly stolen from http://blog.untrod.com/2016/06/simple-similar-products-recommendation-engine-in-python.html
def train(dataframe):
tfidf = TfidfVectorizer(analyzer='word',
ngram_range=(1, 3),
min_df=0,
stop_words='english')
tfidf_matrix = tfidf.fit_transform(dataframe['description'])
cosine_similarities = linear_kernel(tfidf_matrix, tfidf_matrix)
for idx, row in dataframe.iterrows():
similar_indices = cosine_similarities[idx].argsort()[:-10:-1]
similar_items = [(dataframe['id'][i], cosine_similarities[idx][i])
for i in similar_indices]
id = row['id']
similar_items = [it for it in similar_items if it[0] != id]
# This 'sum' is turns a list of tuples into a single tuple:
# [(1,2), (3,4)] -> (1,2,3,4)
flattened = sum(similar_items, ())
try_print("Top 10 recommendations for %s: %s" % (id, flattened))
如何将 cosine_similarities
与其他相似性度量(基于同一作者、相似名称、共享标签等)相结合,为我的推荐提供更多背景信息?
最佳答案
在某些情况下,我与基于内容的推荐系统的合作主要围绕原始文本和分类数据/特征展开。这是我采用的一种高级方法,效果很好,而且实现起来非常简单。
假设我有三个可以用来提出建议的特征列:description
, name
, 和 tags
.对我来说,阻力最小的路径需要以有用的方式组合这三个功能集。
您有了一个良好的开端,使用 TF-IDF 对 description
进行编码.那么为什么不治疗 name
和 tags
以类似的方式创建由 description
组成的特征“语料库” , name
, 和 tags
?从字面上看,这意味着将三列中每一列的内容连接成一个长文本列。
不过,请明智地处理串联,因为在像 name
这样的特征的情况下,保留给定单词来自哪一列 可能对您有利。和 tag
,假定其基数比 description
低得多.更明确地说:而不是像这样创建你的语料库列:
df['corpus'] = (pd.Series(df[['description', 'name', 'tags']]
.fillna('')
.values.tolist()
).str.join(' ')
您可以尝试保留有关特定数据点在 name
中的位置的信息和 tags
来自。像这样:
df['name_feature'] = ['name_{}'.format(x) for x in df['name']]
df['tags_feature'] = ['tags_{}'.format(x) for x in df['tags']]
在你这样做之后,我会更进一步,考虑默认分词器(你在上面使用的)如何在 TfidfVectorizer
中工作。 .假设您有给定包作者的姓名:“Johnny 'Lightning' Thundersmith”。如果您只是连接该文字字符串,标记器会将其拆分并将“Johnny”、“Lightning”和“Thundersmith”中的每一个滚动到单独的特征中,这可能会减少由此添加的信息name
的行值.我认为最好尝试保留该信息。因此,我会对每个较低基数的文本列(例如 name
或 tags
)执行类似的操作:
def raw_text_to_feature(s, sep=' ', join_sep='x', to_include=string.ascii_lowercase):
def filter_word(word):
return ''.join([c for c in word if c in to_include])
return join_sep.join([filter_word(word) for word in text.split(sep)])
def['name_feature'] = df['name'].apply(raw_text_to_feature)
同样的批判性思维应该应用于 tags
.如果您有一个以逗号分隔的标签“列表”,您可能必须单独解析这些标签并找出使用它们的正确方法。
最终,一旦您获得所有 <x>_feature
创建列,然后您可以创建最终的“语料库”并将其作为输入插入推荐系统。
可以肯定的是,整个系统需要一些工程,但我发现这是从具有不同基数的其他列引入新信息的最简单方法。
关于python - 如何构建一个使用多个属性的基于内容的推荐系统?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48245809/