基于Spark3的个性化推荐系统——理论知识

本博客整理自慕课网实战《基于Spark2.x的个性化推荐系统》

一.推荐系统的生态介绍

1.生态概述

数据

算法

• 基于关联的推荐算法：如购买鞋子的顾客，会有10%的顾客会买袜子。有Apriori算法和FP-Growth算法。
• 基于内容的推荐算法：打标签（效率不高），文本相似度（TF-IDF算法），分类算法（KNN，决策树，朴素贝叶斯）。
• 基于协同过滤的推荐算法
  • 基于用户的协同过滤：兴趣相近的用户会对同样的物品感兴趣。
  • 基于物品的协同过滤：推荐给用户内容相似的物品。

• 基于模型的推荐算法：深度学习（属于机器学习的范畴）。
• 基于混合的推荐算法：将以上的各种推荐算法加权或者分层，用户能得到更全面的推荐。

领域知识

UI

2.常见问题

冷启动

• 用户冷启动（一个新用户怎么推荐？）
  • 根据用户注册信息（邮箱类别，电话类别）
  • 推荐热门的排行榜（比较常用）
  • 基于深度学习语义分析（分析用户名来判断男女）
  • 引导用户将自己的爱好表达出来（注册账号时让用户勾选自己的爱好）
  • 利用用户在社交媒体的信息（QQ登录）
• 物品冷启动（一个新物品怎么推荐？）
  • 文本分析（分析标题等文本信息）
  • 主题模型（预先训练一个模型，然后对新物品进行分类处理）
  • 给物品打标签（自己手动写）
  • 推荐排行榜单

数据稀疏

主要在协同过滤算法中，兴趣相近的用户会对同样的物品感兴趣。会构建用户-物品矩阵，但这个矩阵是稀疏矩阵。

• 降维（奇异值分解）
• 对感兴趣的相似物品也感兴趣（数据填充）
• 基于深度学习的语义理解模型（基于物品本身的信息）

不断变化的用户喜好

• 对用户行为的存储有实时性
• 算法要考虑到近期行为和长期行为
• 不断挖掘用户的新爱好（扩大推荐结果多样性）

3.效果评测

模型离线实验
在训练集上训练和在测试集上预测，评测预测的效果。

预测准确度：RMSE，MAE

TopN推荐：个性化推荐列表，预测准确度：准确率 / 召回率。

覆盖率：是不是能够将所有物品都推荐给用户，而不是只推送热门的商品。

多样性，新颖性，惊喜度，信任度，实时性，健壮性。

A/B Test在线实验

用户调研

二.协同过滤推荐算法原理

1.基于用户的协同过滤

基于用户的协同过滤有以下几个缺点：
1. 如果用户量很大，计算量就很大
2. 用户-物品打分矩阵是一个非常非常非常稀疏的矩阵，会面临大量的null值
很难得到两个用户的相似性
3. 会将整个用户-物品打分矩阵都载入到内存，而往往这个用户-物品打分矩阵是一个非常大的矩阵

所以通常不太建议使用基于用户的协同过滤。

通过余弦相似度计算用户的相似度
余弦相似度的公式 ： (A * B) / (|A| * |B|)

• |A|和|B|的求解（对于用户1和用户2）：
  $$\sqrt[2]{2^2+3.2^2+0^2}=3.77$$
  $$\sqrt[2]{0^2+1.1^2+0^2}=1.1$$

val dfScoreMod = df.rdd.map(x=>(x(0).toString,x(2).toString)).groupByKey() //按照用户id进行分组.mapValues(score=>math.sqrt(score.toArray.map(itemScore=>math.pow(itemScore.toDouble,2)).reduce(_+_) // ((物品a的打分)**2 + (物品b的打分)**2 .. (物品n的打分)**2))** 1/2)).toDF("userId","mod")

• 不同用户对同一个物品的score情况表：

//这里目的是把两两用户都放到了同一张表里
val _df = df.join(_dfTmp,df("itemId") === _dfTmp("itemId")).where(df("userId") =!= _dfTmp("_userId")).select(df("itemId"),df("userId"),_dfTmp("_userId"),df("score"),_dfTmp("_score"))

• A * B的求解（用户1和2的维度乘积 ）：
  $$2\times 0+3.2\times 1.1+0\times 0=3.52$$

itemId   userId    _userId     score    _score
1        1         2           2        0
2        1         2           3.2      1.1
3        1         2           0        0// 两两向量的维度乘积并加总
import org.apache.spark.sql.functions._
val df_mol = _df.select(col("userId"),col("_userId"),(col("score") * col("_score")).as("score_mol") //用户a和用户b对各自对同一个物品打分的乘积
).groupBy(col("userId"),col("_userId"))
.agg(sum("score_mol"))  //加总
.withColumnRenamed("sum(score_mol)","mol"
)

• 用户1和2的相似度：
  $$3.52/(3.77\times 1.1)=0.84$$

// 分子 / 分母
val cos_sim = sim.select(col("userId"),col("_userId"),(col("mol") /(col("mod") * col("_mod"))).as("cos_sim")
)

2.基于物品的协同过滤

算法步骤：

• 计算用户物品打分矩阵
  
  上方是原始表，通过将 itemId 这一列转成行，变成 用户-物品 的矩阵。

• 计算物品相似度矩阵（两个物品同时被买的次数越多，相似度越高）
  

• 用户物品打分矩阵 * 物品相似度矩阵 = 推荐列表

原始表转化为 用户-物品 的矩阵:

val userItemTmp = userItemData.groupBy(col("userId")).pivot(col("itemId")).sum("vote")

物品相似度矩阵:

val rddTmp = userItemData.rdd.filter(x=>x.getFloat(2) > 0).map(x=>{
    (x.getString(0),x.getString(1))})

3.基于模型的协同过滤

SVD分解（分成3个矩阵）：

U和V都是正交矩阵，中间的是奇异值的对角矩阵。

作用：

• 数据降维，解决数据稀疏（SVD的前提是基于稠密矩阵的，所以稀疏矩阵先进行缺值填充，再进行SVD分解）
• 减少特征空间，去除数据噪声。

PMF分解（分成2个矩阵）：

4.缺失值填充

固定值，均值，中位数，众数填充。

import org.apache.spark.ml.feature.Imputerval imputer = new Imputer().setInputCols(Array("rating")).setOutputCols(Array("out_rating")).setMissingValue(Float.NaN).setStrategy("mean")

三.ALS算法原理

特征值分解只适用于方阵。

奇异值分解适用于其他矩阵，但是计算复杂度高。

ALS算法是PMF算法在数值计算方面的应用。

误差 = 观察的评分矩阵 - 预测的评分矩阵

问题就转化成了求最优解。

使误差最小，加入了正则项，避免过拟合。

在迭代过程中，交替优化U和V，最小交替二乘法。

ALS算法的缺点：

• 离线算法
• 不能解决冷启动