数据挖掘之推荐算法入门阿里大数据竞赛参赛经历

数据挖掘之推荐算法入门（阿里大数据竞赛参赛经历）蔡珉星厦门大学数据库实验室2013级硕士研究生指导老师：林子雨什么是推荐系统帮助用户从大量信息中找到自己感兴趣的信息。比如你今天想下载一部电影看看，但当你打开某个下载网站，面对100年来发行的数不胜数的电影，你会手足无措，不知道该看哪一部。推荐系统可以根据你以往的观影记录，为你推荐相关的电影。推荐可以两方面入手：•基于内容的推荐-相关导演、演员的其他作品；•基于协同过滤的推荐-找到与自己历史兴趣相同的用户群，推荐该用户群喜欢的电影。什么是推荐系统什么是推荐系统电影应用（豆瓣电影）：《盗梦空间》的推荐推荐构成：导演、演员其他作品；同类型电影。什么是推荐系统音乐应用（虾米音乐）：推荐构成：喜欢的歌曲所属专辑的其他曲目；风格类似的曲目。什么是推荐系统电商应用（京东商城）：推荐构成：协同过滤、属性类似的商品。《推荐系统实践》的推荐什么是推荐系统推荐系统的本质通过一定的方式将用户与物品联系起来。Part2阿里巴巴大数据竞赛阿里巴巴大数据竞赛7000+参赛队伍，凸显了如今大数据方向的热门赛题介绍在天猫，每天都会有数千万的用户通过品牌发现自己喜欢的商品，品牌是联接消费者与商品最重要的纽带。本届赛题的任务就是根据用户4个月在天猫的行为日志，建立用户的品牌偏好，并预测他们在将来一个月内对品牌下商品的购买行为。数据：行为日志：用户id、品牌id、用户对品牌的行为、行为时间。用户行为：点击、购买、加入购物车、收藏。阿里巴巴大数据竞赛比赛形式设计一个推荐算法，基于算法和已有数据得出第五个月用户可能购买的品牌。•训练集：用于建立模型；•验证集：用于评估模型。例如可以用1-2月的数据作为训练集，3月的数据作为验证集，以此来检验算法的效果。然后再用3-4月的数据作为训练集，得出推荐结果。最终提交推荐结果，由系统给出分数。评估指标预测的品牌准确率越高越好，也希望覆盖的用户和品牌越多越好。阿里巴巴大数据竞赛参赛成绩：第60名比赛时间较长，持续4个月，比较耗时间。后劲不足，没有达到预期的成绩。通过竞赛，对推荐算法的入门有了深入的理解与实践。阿里巴巴大数据竞赛Part3推荐算法入门阿里大数据竞赛提供的数据：•行为日志：用户id、品牌id、用户对品牌的行为、行为时间。•用户行为：点击、购买、加入购物车、收藏。对数据的处理：提取特征特征：推荐算法所考虑的因素，如•用户过去一个月对品牌的点击次数•用户过去一个月对品牌的购买次数•品牌过去一个月的总销量......推荐算法原始数据处理后的特征数据算法1：简单的推测规律•点击次数多，购买可能性较大；•加入购物车、收藏，购买可能性较大；•最近有浏览过的品牌，购买可能性较大；......推荐算法点击次数与是否购买的关系算法1：简单的推测规律首先将数据转化为特征值：•点击次数click•加入购物车is_cart•收藏is_fav•几天前有浏览过days实现1：直接利用规律if(this.days=2&&this.click=10)thenrecommend(this);if(this.is_cart&&days=3)thenrecommend(this);....推荐算法简单粗暴且有效，只要规律找的好，效果还是可以的算法1：简单的推测规律•点击次数click•加入购物车is_cart•收藏is_fav•几天前有浏览过days实现2：设定权值，并计算分值（通过验证集找到较优权值）W=w1*click+w2*is_cart+w3*is_fav+w4*1/days例如得到一个较有权值:w1=0.1,w2=0.2,w3=0.2,w4=0.5推荐算法简单有效，实现方便，有一定效果用户品牌交互数据得分1133click=2,is_cart=1,is_fav=0,days=11.42133click=10,is_cart=0,is_fav=0,days=51.1√算法2：逻辑回归(Logisticregression)Logisticregression（逻辑回归）是当前业界比较常用的机器学习方法，用于估计某事件的可能性。如某用户购买某商品的可能性、广告被某用户点击的可能性等。推荐算法公式定义将可能性限定在0和1之间算法2：逻辑回归(Logisticregression)组成1：回归回归是对已知公式的未知参数进行估计。如已知公式是y=a*x+b，未知参数是a和b。我们现在有很多真实的(x,y)数据（训练样本），回归就是利用这些数据对a和b的取值去自动估计。推荐算法算法2：逻辑回归(Logisticregression)组成2：线性回归如鞋子定价与鞋子销量的问题。y=a*x+b，x是价钱，y是销售量。假设它们满足线性关系，线性回归即根据往年数据找出最佳的a,b取值，使y=a*x+b在所有样本集上误差最小。推荐算法线性回归示例算法2：逻辑回归(Logisticregression)组成2：线性回归如鞋子定价与鞋子销量的问题。y=a*x+b，x是价钱，y是销售量。假设它们满足线性关系，线性回归即根据往年数据找出最佳的a,b取值，使y=a*x+b在所有样本集上误差最小。一元变量关系比较直观，但若是多元就难以直观的看出来了。比如说除了鞋子的价格外，鞋子的质量，广告的投入，店铺所在街区的人流量都会影响销量，我们想得到这样的公式：sell=a*x+b*y+c*z+d*γ+e。这个时候画图就画不出来了，规律也十分难找，这时就得交给线性回归程序去完成。推荐算法算法2：逻辑回归(Logisticregression)组成3：Logsitic方程上面提到的sell计算出来是一个数值，但我们需要的是一个[0,1]，类似概率的值，于是引入了Logistic方程，来做归一化。所以逻辑回归就是一个被Logistic方程归一化后的线性回归。推荐算法线性回归逻辑回归算法2：逻辑回归(Logisticregression)实现：使用算法库R语言、Python等都有逻辑回归的算法库，使用方便。最重要的还是要提取相关特征，逻辑回归的效果直接取决于特征的选取（当然，追求更好的效果就需要去优化算法的实现）。推荐算法逻辑回归代码示例算法3：协同过滤(CollaborativeFiltering)基于用户的协同过滤算法是推荐系统中最古老的算法。可以不夸张地说，这个算法的诞生标志了推荐系统的诞生。在个性化推荐系统中，当用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些相似兴趣用户喜欢的、而用户A没有听说过的物品推荐给A。这种方法称为基于用户的协同过滤算法。基于用户的协同过滤算法主要包括两个步骤。1.找到和目标用户兴趣相似的用户集合。2.将这个集合中用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。相对应的，还有基于物品的协同过滤算法，比如给喜欢《射雕英雄传》的用户推荐《天龙八部》，因为这两部作品都是武侠小说，且作者都是金庸。推荐算法算法3：协同过滤(CollaborativeFiltering)协同过滤算法的核心是计算相似度，以基于物品的协同过滤为例：推荐算法•左边每一行代表一个用户感兴趣的物品集合•中间是某用户感兴趣物品的相似矩阵•右侧是所有用户感兴趣物品相似矩阵相加的结果•最后进行归一化就可得到一个[0,1]的物品相似度矩阵算法3：协同过滤(CollaborativeFiltering)推荐算法基于用户的协同过滤（UserCF）(用户A和用户C都喜欢物品A、C)基于物品的协同过滤（ItemCF）(喜欢物品A的人也喜欢物品C)基于物品的协同过滤推荐示例给用户推荐《算法导论》，是因为这本书和《C++Primer中文版》和《编程之美》都相似，相似度分别为0.4和0.5。而用户对《C++Primer中文版》的兴趣度是1.3，对《编程之美》的兴趣度是0.9，那么用户对《算法导论》的兴趣度就是1.3×0.4+0.9×0.5=0.97。逻辑回归与协同过滤的比较最主要的一个区别是应用场景不同：逻辑回归针对的是已有交互的物品，而协同过滤则主要针对没有交互过的物品。如购物网站的推荐系统，•逻辑回归可以推荐给用户，其浏览过且较有可能购买的商品；•协同过滤则可以推荐给用户，其未浏览过但可能感兴趣的商品。推荐算法亚马逊的图书推荐主要使用了协同过滤。其他推荐算法：•随机森林(Logisticregression)•支持向量机SVM•神经网络•SlopeOne......推荐算法总结：•介绍了阿里巴巴大数据竞赛的基本情况；•介绍了两类比较典型的推荐算法：逻辑回归和协同过滤；•推荐算法的选择和具体应用场景有很大关系，一般也涉及多种推荐算法的组合使用。•推荐算法涉及较多的数学知识，今天只是做了一个简单的介绍，可深入了解的东西还有很多。推荐算法34遇到的问题Thanks.