推荐召回--基于用户的协同过滤UserCF

目录

• 1. 前言
• 2. 原理
• 3. 数据及相似度计算
• 4. 根据相似度计算结果
• 5. 相关问题
  • 5.1 如何提炼用户日志数据？
  • 5.2 用户相似度计算很耗时，有什么好的方法？
  • 5.3 有哪些改进措施？
• 6. 总结

1. 前言

协同过滤的思想在推荐系统中，可谓是开山鼻祖般的存在。从推荐系统最初至今，几十年的历程中，协同过滤一直都闪烁着迷人的光芒。

要说为何协同过滤这么重要，就得说说它的优点：

1. 模型通用性强，不需要太多的领域知识
2. 工程实现简单，可以方便的应用到产品中，而且效果还不错

协同过滤主要包括协同和过滤两个部分，在线的协同是重点，主要是根据数据找到相似的用户/物品，而离线的过滤主要是筛选，如根据相似得分，筛选出评分高的物品，或者是筛选出得分高但用户已经购买的物品。

接下来我们来说说，协同过滤的思想。通常呢，就是从埋点日志里，找出用户的行为数据，然后构建出用户和物品的一个共现矩阵，当然不可能说用户把所有的物品都消费过，所以这个共现矩阵会有很多空白的地方，而我们的重点就是通过计算，把这些空白的地方填充，然后排除已经消费过的物品，把那些最终得分高的推荐给用户。

一般而言呢，协同过滤分为三种类型：基于用户（user-based）的协同过滤，基于物品（item-based）的协同过滤，基于模型（model-based）的协同过滤。

那今天我们主要来讲解下基于用户的协同过滤：UserCF。

2. 原理

老话说的好：人以群分。你是什么样的人，你的朋友也基本和你一样。生活中呢，会有这样的场景出现：比如说最近想看一部悬疑片的电影，你会让你的好朋友给你推荐。这个过程呢，就是基于用户的协同思想，而你的朋友给你推荐过几部电影《神探夏洛克》、《盗梦空间》等，然后你说《盗梦空间》我看过了，我来看看《神探夏洛克》。那这个过程，就是过滤的思想了。从前到后，我们梳理下，就会发现，基于用户的协同过滤其实一直就出现在我们的日常生活中，只是没有用数学和算法的思想提炼而已。

那么问题来了，在实际的应用中，我们怎么去找到相似的用户，也就是从其他用户中找到你的“好朋友”呢？

3. 数据及相似度计算

说到这里，必须得提一下，通常而言，我们从埋点日志数据里，提炼出的用户-物品共现矩阵中，数据的展示会有两种方式：显式评分矩阵和隐式评分矩阵。

显式：比如说用户给物品评分5分，4分，3分等，这种呢，就是用户在消费物品后，会给物品反馈一个自己的衡量。也就是我们在网上购物后的一个评价得分。

隐式：通常有的用户在购买过物品后，不会给物品评分，因为懒。这个时候呢，我们怎么去衡量这个得分呢？简单，直接将用户购买过的物品给1，用户未购买的给0。

除去上面这两种情况呢，还可以根据用户的行为，自己制定相关的分数体系，如：点击1，加购3，购买6等。在数据处理中呢，将用户的操作行为，转换为对应的得分，那我们就可以顺利的去操作共现矩阵了。

对于数据的处理，到一个阶段。接下来看看如何计算用户的相似度。

对应上面的数据格式，业内在相似度计算上的选择也不同。显式用余弦cosine，隐式用杰卡德jaccard，余弦有变种，别忘皮尔逊，加时间衰减，效果会更好。

余弦相似度：

余弦相似度在计算用户、物品、文本时使用很频繁。

计算夹角，而不考虑长度的影响。如：用户A对物品1和物品2的评分是1分，2分，用户B的评分是4分，5分。用余弦相似度计算的话，用户A和用户B相似度高达98%，故引入皮尔逊。

\[cos(\theta)=\frac{A \cdot B}{\mid \mid A \mid \mid \times \mid \mid B \mid \mid}= \frac{\sum_{i=1}^n A_i \times B_i}{\sqrt{\sum_{i=1}^n(A_i)^2} \times \sqrt{\sum_{i=1}^n(B_i)^2}} \]

皮尔逊相关系数：

实际上也是一种余弦相似度，只不过是先对向量做了去中心化，也就是减去均值后，再计算相似度。

区别于余弦相似度，皮尔逊计算结果在[-1, 1]之间。有正相关和负相关之分。

皮尔逊只适合于显示评分体系。

\[r = \frac{\sum_{i=1}^n(X_i - \overline X)(Y_i - \overline Y)}{\sqrt {\sum_{i=1}^n(X_i - \overline X)^2} \sqrt {\sum_{i=1}^n(Y_i - \overline Y)^2}} \]

杰卡德相似度：

简单来说，就是交集除以并集

\[J(A,B) = \frac{\mid A \bigcap B \mid}{\mid A \bigcup B \mid} \]

另外，拓展下常用的八大距离计算方法：

4. 根据相似度计算结果

在计算完用户相似度后，我们接下来就可以根据用户间的相似度，来给目标用户推荐物品。

一般，常用加权平均法：

\[pred(u,i)=\hat{r}_{ui}=\frac{\sum_{v\in U}sim(u,v)*r_{vi}}{\sum_{v\in U}|sim(u,v)|} \]

整体的思路就是：根据相似度，选取K个最相似的用户（K近邻思想），然后对这K个用户评分过的物品进行打分，最后过滤掉该用户已经评分过的即可。

有个问题得备注下：通常来说，用隐式矩阵的话，只是能预测出用户是否对物品感兴趣，但是呢，对物品的喜好程度不能很好的预测。所以实际工作中，尽可能的去使用显式评分矩阵，效果会更好。

当然，评分矩阵一般都比较稀疏，比如用皮尔逊计算，如果不存在正相关，那就无法做出预测。这个时候呢，可以使用余弦相似度，然后根据最终的推荐结果，去调整分数阈值。另外，召回通路不仅仅是一条，如果卡分数阈值后，没有推荐结果，那就用其他路填充呗。

5. 相关问题

5.1 如何提炼用户日志数据？

这个涉及到数据结构存储了，如果数据量不大，可以用字典的方式存储。其次用numpy、pandas来操作数据。

5.2 用户相似度计算很耗时，有什么好的方法？

主要的思想就是聚类过滤。如筛选某一区域的用户进行计算，或者根据性别、年龄、消费水平等等，这样的条件筛选完后，用户的基数就比较小。

其次就是向量化计算，记住：不要重复造轮子。Python中的numpy、pandas已经内嵌了很多方法，可以高效的操作数据。

在海量数据的基础上，还可以考虑Hadoop、Spark等大数据分布式计算框架。

此外，可以尝试一些单机版的工具：KGraph、GraphCHI等。

5.3 有哪些改进措施？

像上文提到的筛选出K个最相似的用户，可以大大缩减推荐的计算时间。

另外，可以考虑多线程的方法，如C++的OpenMP库可以让我们大大提升计算机的使用效率。

还有就是，可以惩罚热门物品的喜欢程度，增加时间衰减，一般用一个指数函数，来对物品进行降权处理。

6. 总结

关于用户的协同过滤，主要的输出有两个：相似用户和推荐列表。我们不但可以给用户推荐喜欢的商品，还可以根据业务场景，有选择的给用户推荐最相似的用户。这个也就时像抖音等社交平台上：“你可能认识的人”，“和你口味类似的人”等。

最后，协同过滤是推荐系统的入门策略，但也是推荐系统的基石。目前行业内的大厂，在召回侧的基本都是协同过滤、内容、模型等策略，像word2vec、fm等召回思想都是在base之上的延伸，所以掌握协同过滤的思想是非常重要的。

加油！！！