我正在使用 Python 隐式库 ( https://github.com/benfred/implicit ),希望为我的用户群生成一些产品推荐。我有来 self 的用户群的 13,000 次产品浏览数据。我已将此数据提取到如下所示的 csv 中:
user_id, 1, 2, 3
1, 0, 1, 0
2, 1, 1, 0
3, 0, 0, 1
我上面的 csv 的行中第一列的顶部有 Product_id,左侧有 user_id。每个用户的 1 或 0 反射(reflect)该用户是否查看过该 Product_id。下面是我迄今为止尝试生成推荐的代码:
import implicit
import pandas as pd
import scipy.sparse as sparse
data = pd.read_csv('data/interactions_matrix.csv')
interactions = sparse.csr_matrix(data.to_sparse().to_coo())
# initialize a model
model = implicit.als.AlternatingLeastSquares()
# train the model on a sparse matrix of item/user/confidence weights
model.fit(interactions)
user_ids = [1,2,3]
# recommend items for a user
for user_id in user_ids:
print(user_id)
print(model.recommend(user_id, interactions))
不幸的是,当我运行结果时,我只是得到一堆空白数组,这让我觉得我做了一些明显错误的事情。我猜这是我正在导入的数据的格式,但我很难找到有关示例数据格式的信息以读入库。
最佳答案
当加载这样的数据时,您的交互矩阵仍然有每个项目/用户对的条目 - 对于这个库来说,这表明每个用户都喜欢每个项目。默认情况下,推荐调用会删除已喜欢的项目(使用 filter_already_liked_items 参数),导致结果像您所看到的那样为空数组 - 但这也意味着您训练的模型也不会很好。
您应该在拟合模型之前调用 interactions.eliminate_zeros()
删除零条目。另外,与其使用 CSV 格式的密集矩阵并转换为 coo,不如列出 itemid/userid/value 的三元组可能更容易
关于python - 用于建议的隐式 Python 库的空白结果,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56280552/