这里的格式并没有做过多的处理,可参考于OneNote笔记链接
由于OneNote取消了单页分享,如果需要请留下邮箱,我会邮件发送pdf版本,后续再解决这个问题
由于来回发太麻烦了,分享于百度盘了,链接: https://pan.baidu.com/s/1r6VZ...,提取码: 842u,解压密码:cdq
推荐算法库surprise安装
pip install surprise
基本用法
• 自动交叉验证
# Load the movielens-100k dataset (download it if needed),
data = Dataset.load_builtin('ml-100k')
# We'll use the famous SVD algorithm.
algo = SVD()
# Run 5-fold cross-validation and print results
cross_validate(algo, data, measures=['RMSE', 'MAE'], cv=5, verbose=True)
load_builtin方法会自动下载“movielens-100k”数据集,放在.surprise_data目录下面
• 使用自定义的数据集
# path to dataset file
file_path = os.path.expanduser('~/.surprise_data/ml-100k/ml-100k/u.data')
# As we're loading a custom dataset, we need to define a reader. In the
# movielens-100k dataset, each line has the following format:
# 'user item rating timestamp', separated by '\t' characters.
reader = Reader(line_format='user item rating timestamp', sep='\t')
data = Dataset.load_from_file(file_path, reader=reader)
# We can now use this dataset as we please, e.g. calling cross_validate
cross_validate(BaselineOnly(), data, verbose=True)
交叉验证
○ cross_validate(算法,数据集,评估模块measures=[],交叉验证折数cv)
○ 通过test方法和KFold也可以对数据集进行更详细的操作,也可以使用LeaveOneOut或是ShuffleSplit
from surprise import SVD
from surprise import Dataset
from surprise import accuracy
from surprise.model_selection import Kfold
# Load the movielens-100k dataset
data = Dataset.load_builtin('ml-100k')
# define a cross-validation iterator
kf = KFold(n_splits=3)
algo = SVD()
for trainset, testset in kf.split(data):
# train and test algorithm.
algo.fit(trainset)
predictions = algo.test(testset)
# Compute and print Root Mean Squared Error
accuracy.rmse(predictions, verbose=True)
使用GridSearchCV来调节算法参数
- 如果需要对算法参数来进行比较测试,GridSearchCV类可以提供解决方案
-
例如对SVD的参数尝试不同的值
from surprise import SVD from surprise import Dataset from surprise.model_selection import GridSearchCV # Use movielens-100K data = Dataset.load_builtin('ml-100k') param_grid = {'n_epochs': [5, 10], 'lr_all': [0.002, 0.005], 'reg_all': [0.4, 0.6]} gs = GridSearchCV(SVD, param_grid, measures=['rmse', 'mae'], cv=3) gs.fit(data) # best RMSE score print(gs.best_score['rmse']) # combination of parameters that gave the best RMSE score print(gs.best_params['rmse']) # We can now use the algorithm that yields the best rmse: algo = gs.best_estimator['rmse'] algo.fit(data.build_full_trainset())
使用预测算法
○ 基线估算配置
§ 在使用最小二乘法(ALS)时传入参数:
1) reg_i:项目正则化参数,默认值为10
2) reg_u:用户正则化参数,默认值为15
3) n_epochs:als过程中的迭代次数,默认值为10
print('Using ALS')
bsl_options = {'method': 'als',
'n_epochs': 5,
'reg_u': 12,
'reg_i': 5
}
algo = BaselineOnly(bsl_options=bsl_options)
§ 在使用随机梯度下降(SGD)时传入参数:
1) reg:优化成本函数的正则化参数,默认值为0.02
2) learning_rate:SGD的学习率,默认值为0.005
3) n_epochs:SGD过程中的迭代次数,默认值为20
print('Using SGD')
bsl_options = {'method': 'sgd',
'learning_rate': .00005,
}
algo = BaselineOnly(bsl_options=bsl_options)
§ 在创建KNN算法时候来传递参数
bsl_options = {'method': 'als',
'n_epochs': 20,
}
sim_options = {'name': 'pearson_baseline'}
algo = KNNBasic(bsl_options=bsl_options, sim_options=sim_options)
○ 相似度配置
§ name:要使用的相似度名称,默认是MSD
§ user_based:是否时基于用户计算相似度,默认为True
§ min_support:最小的公共数目,当最小的公共用户或者公共项目小于min_support时候,相似度为0
§ shrinkage:收缩参数,默认值为100
i. sim_options = {'name': 'cosine',
'user_based': False # compute similarities between items
}
algo = KNNBasic(sim_options=sim_options)
ii. sim_options = {'name': 'pearson_baseline',
'shrinkage': 0 # no shrinkage
}
algo = KNNBasic(sim_options=sim_options)
• 其他一些问题
○ 如何获取top-N的推荐
from collections import defaultdict
from surprise import SVD
from surprise import Dataset
def get_top_n(predictions, n=10):
'''Return the top-N recommendation for each user from a set of predictions.
Args:
predictions(list of Prediction objects): The list of predictions, as
returned by the test method of an algorithm.
n(int): The number of recommendation to output for each user. Default
is 10.
Returns:
A dict where keys are user (raw) ids and values are lists of tuples:
[(raw item id, rating estimation), ...] of size n.
'''
# First map the predictions to each user.
top_n = defaultdict(list)
for uid, iid, true_r, est, _ in predictions:
top_n[uid].append((iid, est))
# Then sort the predictions for each user and retrieve the k highest ones.
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
# First train an SVD algorithm on the movielens dataset.
data = Dataset.load_builtin('ml-100k')
trainset = data.build_full_trainset()
algo = SVD()
algo.fit(trainset)
# Than predict ratings for all pairs (u, i) that are NOT in the training set.
testset = trainset.build_anti_testset()
predictions = algo.test(testset)
top_n = get_top_n(predictions, n=10)
# Print the recommended items for each user
for uid, user_ratings in top_n.items():
print(uid, [iid for (iid, _) in user_ratings])
○ 如何计算精度
from collections import defaultdict
from surprise import Dataset
from surprise import SVD
from surprise.model_selection import KFold
def precision_recall_at_k(predictions, k=10, threshold=3.5):
'''Return precision and recall at k metrics for each user.'''
# First map the predictions to each user.
user_est_true = defaultdict(list)
for uid, _, true_r, est, _ in predictions:
user_est_true[uid].append((est, true_r))
precisions = dict()
recalls = dict()
for uid, user_ratings in user_est_true.items():
# Sort user ratings by estimated value
user_ratings.sort(key=lambda x: x[0], reverse=True)
# Number of relevant items
n_rel = sum((true_r >= threshold) for (_, true_r) in user_ratings)
# Number of recommended items in top k
n_rec_k = sum((est >= threshold) for (est, _) in user_ratings[:k])
# Number of relevant and recommended items in top k
n_rel_and_rec_k = sum(((true_r >= threshold) and (est >= threshold))
for (est, true_r) in user_ratings[:k])
# Precision@K: Proportion of recommended items that are relevant
precisions[uid] = n_rel_and_rec_k / n_rec_k if n_rec_k != 0 else 1
# Recall@K: Proportion of relevant items that are recommended
recalls[uid] = n_rel_and_rec_k / n_rel if n_rel != 0 else 1
return precisions, recalls
data = Dataset.load_builtin('ml-100k')
kf = KFold(n_splits=5)
algo = SVD()
for trainset, testset in kf.split(data):
algo.fit(trainset)
predictions = algo.test(testset)
precisions, recalls = precision_recall_at_k(predictions, k=5, threshold=4)
# Precision and recall can then be averaged over all users
print(sum(prec for prec in precisions.values()) / len(precisions))
print(sum(rec for rec in recalls.values()) / len(recalls))
○ 如何获得用户(或项目)的k个最近邻居
import io # needed because of weird encoding of u.item file
from surprise import KNNBaseline
from surprise import Dataset
from surprise import get_dataset_dir
def read_item_names():
"""Read the u.item file from MovieLens 100-k dataset and return two
mappings to convert raw ids into movie names and movie names into raw ids.
"""
file_name = get_dataset_dir() + '/ml-100k/ml-100k/u.item'
rid_to_name = {}
name_to_rid = {}
with io.open(file_name, 'r', encoding='ISO-8859-1') as f:
for line in f:
line = line.split('|')
rid_to_name[line[0]] = line[1]
name_to_rid[line[1]] = line[0]
return rid_to_name, name_to_rid
# First, train the algortihm to compute the similarities between items
data = Dataset.load_builtin('ml-100k')
trainset = data.build_full_trainset()
sim_options = {'name': 'pearson_baseline', 'user_based': False}
algo = KNNBaseline(sim_options=sim_options)
algo.fit(trainset)
# Read the mappings raw id <-> movie name
rid_to_name, name_to_rid = read_item_names()
# Retrieve inner id of the movie Toy Story
toy_story_raw_id = name_to_rid['Toy Story (1995)']
toy_story_inner_id = algo.trainset.to_inner_iid(toy_story_raw_id)
# Retrieve inner ids of the nearest neighbors of Toy Story.
toy_story_neighbors = algo.get_neighbors(toy_story_inner_id, k=10)
# Convert inner ids of the neighbors into names.
toy_story_neighbors = (algo.trainset.to_raw_iid(inner_id)
for inner_id in toy_story_neighbors)
toy_story_neighbors = (rid_to_name[rid]
for rid in toy_story_neighbors)
print()
print('The 10 nearest neighbors of Toy Story are:')
for movie in toy_story_neighbors:
print(movie)
○ 解释一下什么是raw_id和inner_id?
i. 用户和项目有自己的raw_id和inner_id,原生id是评分文件或者pandas数据集中定义的id,重点在于要知道你使用predict()或者其他方法时候接收原生的id
ii. 在训练集创建时,每一个原生的id映射到inner id(这是一个唯一的整数,方便surprise操作),原生id和内部id之间的转换可以用训练集中的to_inner_uid(), to_inner_iid(), to_raw_uid(), 以及to_raw_iid()方法
○ 默认数据集下载到了哪里?怎么修改这个位置
i. 默认数据集下载到了——“~/.surprise_data”中
ii. 如果需要修改,可以通过设置“SURPRISE_DATA_FOLDER”环境变量来修改位置
• API合集
○ 推荐算法包
random_pred.NormalPredictor Algorithm predicting a random rating based on the distribution of the training set, which is assumed to be normal.
baseline_only. BaselineOnly Algorithm predicting the baseline estimate for given user and item.
knns.KNNBasic A basic collaborative filtering algorithm.
knns.KNNWithMeans A basic collaborative filtering algorithm, taking into account the mean ratings of each user.
knns.KNNWithZScore A basic collaborative filtering algorithm, taking into account the z-score normalization of each user.
knns.KNNBaseline A basic collaborative filtering algorithm taking into account a baseline rating.
matrix_factorization.SVD The famous SVD algorithm, as popularized by Simon Funk during the Netflix Prize.
matrix_factorization.SVDpp The SVD++ algorithm, an extension of SVD taking into account implicit ratings.
matrix_factorization.NMF A collaborative filtering algorithm based on Non-negative Matrix Factorization.
slope_one.SlopeOne A simple yet accurate collaborative filtering algorithm.
co_clustering.CoClustering A collaborative filtering algorithm based on co-clustering.
○ 推荐算法基类
§ class surprise.prediction_algorithms.algo_base.AlgoBase(**kwargs)
§ 如果算法需要计算相似度,那么baseline_options参数可以用来配置
§ 方法介绍:
1) compute_baselines() 计算用户和项目的基线,这个方法只能适用于Pearson相似度或者BaselineOnly算法,返回一个包含用户相似度和用户相似度的元组
2) compute_similarities() 相似度矩阵,计算相似度矩阵的方式取决于sim_options算法创建时候所传递的参数,返回相似度矩阵
3) default_preditction() 默认的预测值,如果计算期间发生了异常,那么预测值则使用这个值。默认情况下时所有评分的均值(可以在子类中重写,以改变这个值),返回一个浮点类型
4) fit(trainset) 在给定的训练集上训练算法,每个派生类都会调用这个方法作为训练算法的第一个基本步骤,它负责初始化一些内部结构和设置self.trainset属性,返回self指针
5) get_neighbors(iid, k) 返回inner id所对应的k个最近邻居的,取决于这个iid所对应的是用户还是项目(由sim_options里面的user_based是True还是False决定),返回K个最近邻居的内部id列表
6) predict(uid, iid, r_ui=None, clip=True, verbose=False) 计算给定的用户和项目的评分预测,该方法将原生id转换为内部id,然后调用estimate每个派生类中定义的方法。如果结果是一个不可能的预测结果,那么会根据default_prediction()来计算预测值
另外解释一下clip,这个参数决定是否对预测结果进行近似。举个例子来说,如果预测结果是5.5,而评分的区间是[1,5],那么将预测结果修改为5;如果预测结果小于1,那么修改为1。默认为True
verbose参数决定了是否打印每个预测的详细信息。默认值为False
返回值,一个rediction对象,包含了:
a) 原生用户id
b) 原生项目id
c) 真实评分
d) 预测评分
e) 可能对后面预测有用的一些其他的详细信息
7) test(testset, verbose=False) 在给定的测试集上测试算法,即估计给定测试集中的所有评分。返回值是prediction对象的列表
8)
○ 预测模块
§ surprise.prediction_algorithms.predictions模块定义了Prediction命名元组和PredictionImpossible异常
§ Prediction
□ 用于储存预测结果的命名元组
□ 仅用于文档和打印等目的
□ 参数:
uid 原生用户id
iid 原生项目id
r_ui 浮点型的真实评分
est 浮点型的预测评分
details 预测相关的其他详细信息
§ surprise.prediction_algorithms.predictions.PredictionImpossible
□ 当预测不可能时候,出现这个异常
□ 这个异常会设置当前的预测评分变为默认值(全局平均值)
○ model_selection包
§ 交叉验证迭代器
□ 该模块中包含各种交叉验证迭代器:
KFold 基础交叉验证迭代器
RepeatedKFold 重复KFold交叉验证迭代器
ShuffleSplit 具有随机训练集和测试集的基本交叉验证迭代器
LeaveOneOut 交叉验证迭代器,其中每个用户再测试集中只有一个评级
PredefinedKFold 使用load_from_folds方法加载数据集时的交叉验证迭代器
□ 该模块中还包含了将数据集分为训练集和测试集的功能
train_test_split(data, test_size=0,2, train_size=None, random_state=None, shuffle=True)
data,要拆分的数据集
test_size,如果是浮点数,表示要包含在测试集中的评分比例;如果是整数,则表示测试集中固定的评分数;如果是None,则设置为训练集大小的补码;默认为0.2
train_size,如果是浮点数,表示要包含在训练集中的评分比例;如果是整数,则表示训练集中固定的评分数;如果是None,则设置为训练集大小的补码;默认为None
random_state,整形,一个随机种子,如果多次拆分后获得的训练集和测试集没有多大分别,可以用这个参数来定义随机种子
shuffle,布尔值,是否在数据集中改变评分,默认为True
§ 交叉验证
surprise.model_selection.validation.cross_validate(algo, data, measures=[u'rmse',u'mae'], cv=None, return_train_measures=False, n_jobs=1, pre_dispatch=u'2 * n_jobs', verbose=False)
® algo,算法
® data,数据集
® measures,字符串列表,指定评估方案
® cv,交叉迭代器或者整形或者None,如果是迭代器那么按照指定的参数;如果是int,则使用KFold交叉验证迭代器,以参数为折叠次数;如果是None,那么使用默认的KFold,默认折叠次数5
® return_train_measures,是否计算训练集的性能指标,默认为False
® n_jobs,整形,并行进行评估的最大折叠数。如果为-1,那么使用所有的CPU;如果为1,那么没有并行计算(有利于调试);如果小于-1,那么使用(CPU数目 + n_jobs + 1)个CPU计算;默认值为1
® pre_dispatch,整形或者字符串,控制在并行执行期间调度的作业数。(减少这个数量可有助于避免在分配过多的作业多于CPU可处理内容时候的内存消耗)这个参数可以是:
None,所有作业会立即创建并生成
int,给出生成的总作业数确切数量
string,给出一个表达式作为函数n_jobs,例如“2*n_jobs”
默认为2*n_jobs
返回值是一个字典:
® test_*,*对应评估方案,例如“test_rmse”
® train_*,*对应评估方案,例如“train_rmse”。当return_train_measures为True时候生效
® fit_time,数组,每个分割出来的训练数据评估时间,以秒为单位
® test_time,数组,每个分割出来的测试数据评估时间,以秒为单位
§ 参数搜索
□ class surprise.model_selection.search.GridSearchCV(algo_class, param_grid, measures=[u'rmse', u'mae'], cv=None, refit=False, return_train_measures=False, n_jobs=1, pre_dispatch=u'2 * n_jobs', joblib_verbose=0)
® 参数类似于上文中交叉验证
® refit,布尔或者整形。如果为True,使用第一个评估方案中最佳平均性能的参数,在整个数据集上重新构造算法measures;通过传递字符串可以指定其他的评估方案;默认为False
® joblib_verbose,控制joblib的详细程度,整形数字越高,消息越多
□ 内部方法:
a) best_estimator,字典,使用measures方案的最佳评估值,对所有的分片计算平均
b) best_score,浮点数,计算平均得分
c) best_params,字典,获得measure中最佳的参数组合
d) best_index,整数,获取用于该指标cv_results的最高精度(平均下来的)的指数
e) cv_results,数组字典,measures中所有的参数组合的训练和测试的时间
f) fit,通过cv参数给出不同的分割方案,对所有的参数组合计算
g) predit,当refit为False时候生效,传入数组,见上文
h) test,当refit为False时候生效,传入数组,见上文
□ class surprise.model_selection.search.RandomizedSearchCV(algo_class,param_distributions,n_iter = 10,measures = [u'rmse',u'mae'],cv = None,refit = False,return_train_measures = False,n_jobs = 1,pre_dispatch = u'2 * n_jobs',random_state =无,joblib_verbose = 0 )
随机抽样进行计算而非像上面的进行琼剧
○ 相似度模块
§ similarities模块中包含了用于计算用户或者项目之间相似度的工具:
1) cosine
2) msd
3) pearson
4) pearson_baseline
○ 精度模块
§ surprise.accuracy模块提供了用于计算一组预测的精度指标的工具:
1) rmse(均方根误差)
2) mae(平均绝对误差)
3) fcp
○ 数据集模块
§ dataset模块定义了用于管理数据集的Dataset类和其他子类
§ class surprise.dataset.Dataset(reader)
§ 内部方法:
1) load_builtin(name=u'ml-100k'),加载内置数据集,返回一个Dataset对象
2) load_from_df(df, reader),df(dataframe),数据框架,要求必须具有三列(要求顺序),用户原生id,项目原生id,评分;reader,指定字段内容
3) load_from_file(file_path, reader),从文件中加载数据,参数为路径和读取器
4) load_from_folds(folds_files, reader),处理一种特殊情况,movielens-100k数据集中已经定义好了训练集和测试集,可以通过这个方法导入
○ 训练集类
§ class surprise.Trainset(ur, ir, n_users, n_items, n_ratings, rating_scale, offset, raw2inner_id_users, raw2inner_id_items)
§ 属性分析:
1) ur,用户评分列表(item_inner_id,rating)的字典,键是用户的inner_id
2) ir,项目评分列表(user_inner_id,rating)的字典,键是项目的inner_id
3) n_users,用户数量
4) n_items,项目数量
5) n_ratings,总评分数
6) rating_scale,评分的最高以及最低的元组
7) global_mean,所有评级的平均值
§ 方法分析:
1) all_items(),生成函数,迭代所有项目,返回所有项目的内部id
2) all_ratings(),生成函数,迭代所有评分,返回一个(uid, iid, rating)的元组
3) all_users(),生成函数,迭代所有的用户,然会用户的内部id
4) build_anti_testset(fill=None),返回可以在test()方法中用作测试集的评分列表,参数决定填充未知评级的值,如果使用None则使用global_mean
5) knows_item(iid),标志物品是否属于训练集
6) knows_user(uid),标志用户是否属于训练集
7) to_inner_iid(riid),将项目原始id转换为内部id
8) to_innser_uid(ruid),将用户原始id转换为内部id
9) to_raw_iid(iiid),将项目的内部id转换为原始id
10) to_raw_uid(iuid),将用户的内部id转换为原始id
○ 读取器类
§ class surprise.reader.Reader(name=None, line_format=u'user item rating', sep=None, rating_scale=(1, 5), skip_lines=0)
Reader类用于解析包含评分的文件,要求这样的文件每行只指定一个评分,并且需要每行遵守这个接口:用户;项目;评分;[时间戳],不要求顺序,但是需要指定
§ 参数分析:
1) name,如果指定,则返回一个内置的数据集Reader,并忽略其他参数,可接受的值是"ml-100k",“m1l-1m”和“jester”。默认为None
2) line_format,string类型,字段名称,指定时需要用空格分割,默认是“user item rating”
3) sep,char类型,指定字段之间的分隔符
4) rating_scale,元组类型,评分区间,默认为(1,5)
5) skip_lines,int类型,要在文件开头跳过的行数,默认为0
○ 转储模块
§ surprise.dump.dump(file_name, predictions=None, algo=None, verbose=0)
□ 一个pickle的基本包装器,用来序列化预测或者算法的列表
□ 参数分析:
a) file_name,str,指定转储的位置
b) predictions,Prediction列表,用来转储的预测
c) algo,Algorithm,用来转储的算法
d) verbose,详细程度,0或者1
§ surprise.dump.load(file_name)
□ 用于读取转储文件
□ 返回一个元组(predictions, algo),其中可能为None
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。