开源软件学习之Crab

最新实现了协同过滤的简单代码，正好知道有个用python写的开源项目，就下载下来对比学习一下。

Crab的官网: http://muricoca.github.io/crab/

一、安装

前一篇博文：

http://blog.csdn.net/joyce0625/article/details/42340831

二、使用

我打算先走通一条线，先以user-based recommender为例，item_based也是差不多的

三、结构

官网上也有个结构说明，我觉得我这个更清楚一些（同样以user-based 为例）

四、优化的地方

总的来说，和原来直接用简单的python写出来的协同过滤代码比较起来，Crab里面主要就是用了Numpy和Scipy，把原来很多的for循环都变成了直接的数组运算，提高了效率。

1. 使用Numpy的数组类，而不是dict

MatrixPreferenceDataModel/MatrixBooleanPrefDataModel 类把原来无序的字典转化成了一个规范的矩阵。

原来每位用户评论的item的顺序不同；或者说评论过某个item的用户顺序也不同，如图一所示，每次计算similarity都需要通过两个for循环去不同用户共同评论过的items或者评论过items的相同users;而现在

通过取出所有的user_id和item_id，并对他们分别sort()，再把rating值放到相应的位置，没有rating的地方就用NaN填充，变成了一个规范的矩阵，如图二所示。

图一：按字典方式存放的数据

图二：按矩阵方式存放的数据形式

2.最费时的相似度计算方法：

（1）计算前还是需要找common ratings，不再用两次for 循环来找，二是使用了 numpy. intersect1d（）  

其中 intersectId的源码 

def  intersect1d ( ar1 ,  ar2 ,  assume_unique = False ):

    if not assume_unique:
        ar1 = unique(ar1)
        ar2 = unique(ar2)
    aux = np.concatenate((ar1, ar2))
    aux.sort()
    return aux[:-1][aux[1:] == aux[:-1]]  #aux[:-1]到最后一个之前的内容

#这段找共同值的方法还是挺有技巧的，把要比较的两个list（A,B）数据先unique()，然后串联起来（C）排序，那些两个list里面都有的数就会被排在一起

#串联排序后的数据，做错位的与运算，就是一个切掉C的第一个，得到C', 一个切掉C的最后一个，得到C''，list C'和list C''做与运算，因为前面sort()后相同的数肯定是前后连在一起的，所以相同的数所在的位肯定有一个是True

（2） 相似度原来直接用* 来完成计算，现在

使用Scipy中 scipy.spatial.distance子模块中的.cdist(X, Y, 'euclidean')， .cdist(X, Y, 'sqeuclidean') 和cdist(X, Y, 'correlation', 2)方法来计算。

通过查看cdist的源码可以看到它又用了 dist  =  norm(u  -  v)  numpy.linalg. norm ( x ,  ord=None ,  axis=None )来完成平方再开根号的计算；

计算euclidean:

如果只要平方和，可以用numpy.dot()， 比如计算correlation: 

【PS: cdist里面有各种超赞的常用距离计算公式，比如cosine, euclidean(2维的)，jaccard，matching(boolean vectors)等等】

3.data models（values and boolean） 和 similarity(item-based, user_based), recommender都是先写一个超类，再用子类继承的方式

4.recommender

（1）找到neighbors(score > minimal_similarity)评价过但是user自己还没有评价过的item

同样地，不需要用for循环，而直接采用nump.setdiff1d()方法就可以了

（2）找到top_match items

5.评估结果
（1） cross validation
*对于一般的KFold
利用了一个生成器，来进行划分


*对于shuffleSplit, 先打乱原始数据，然后再划分的方法（由于这种方法每次都会重排一下，并不能保证每次划分得到的训练集都是不同的）
采用的方法是
①用方法sklearn.utils.check_random_state(seed) 返回一个np.random.RandomState 实例
②使用RandomState.permutation(x) 返回一个打散的array，代码如下：


其实可以直接用包装好的方法sklearn.cross_validation.train_test_split(*arrays, **options)，这样更简洁。


（2）metric
在计算之前用check_arrays(real, pred)检查下两个array的第一维是不是一样的（from ..utils import check_arrays, unique_labels）

五：改进原来的代码

其中我发现在_top_matches为user 预估preference的时候，并没有办法保证某个neighbor 的preference一定是乘以他和user的similarity，看我下面举的例子：

我把代码里

        prefs = prefs[~np.isnan(prefs)]
        similarities = similarities[~np.isnan(prefs)]

        prefs_sim = np.sum(prefs[~np.isnan(similarities)] *
                             similarities[~np.isnan(similarities)])
        total_similarity = np.sum(similarities)

改成了

        temp_prefs = [~np.isnan(prefs)]
        temp_similarities = [~np.isnan(similarities)]
        noNaN_indices = np.logical_and(temp_prefs, temp_similarities)
        
        prefs_sim = np.sum(prefs[noNaN_indices[0] == True] *
                             similarities[noNaN_indices[0] == True])
                             
        similarities = similarities[~np.isnan(similarities)]
        total_similarity = np.sum(similarities)

还是同样的例子，就可以得到保证preference和similarity一定是一一对应的。

第二种得到指定indice的array的方法

不知道我理解的有没有错，已经把修改的内容提交给作者了，等待他的回复吧。