人工智能领域：推荐系统
这个智能推荐使用的也是深度学习框架tensorflow，在前面的文章中我们已经对tensorflow 以及机器学习 和 深度学习做了一个详细的介绍。下面我们就直接来分析 智能推荐这个功能的具体需求。
核心: 为什么在抖音刷的时候停不下来，因为他推的都符合你的爱好兴趣,审美。这是推荐系统的核心。
怎么知道用户喜欢什么？
传统做法： 根据用户行为点赞、收藏、评论、关注、转发、评论。都融合在推荐算法中
存在缺陷： 这种做法看似合理实际存在问题从神经网络流程来看,这种做法实际也是属于线性的,
举一例子：容易局限在一小范围内，就是纯靠这些数据比如你只给一个视频点赞了，比如舞蹈类，
就玩命给你推舞蹈类的最后就局限在这一个范围。但是抖音平台也好，快手平台也好，他的内容是
极其丰富的，会引起用户的审美疲劳，理论他不知是只喜欢这一个分类，他可能还喜欢别的，比如体育类的等等。那你为怎么不给他推啊？因为你是被这个线性的数据给限制了。
所以我们基于深度学习，深度学习基于神经网络架构，神经网络由神经元组成的。
机器学习有两大类问题：
分类问题： 图像识别（给特征他告诉你属于哪一类别的）
预测问题： 推荐系统也叫回归问题（给他特征,他给你预测可能发生的结果，比如预测房价趋势，市场就业率等）
我们要预测的是这个人可能喜欢的视频：首先我们必须要有一个特征，特征需要和结果存在因果关系。 我们选择完播率。 为什么要选择完播率 两个原因 1输入特征要和结果存在因果关系 2其他指标也有因果关系但是他很容易被刷，但是完播率很难被刷，必须从头看到尾，这个指标权重比较大。
最后我们和预测结果和现有的数据进行对比在偏差不大的情况下，我们即为数据合格。（存在偏差是一定的因为，概率学）
代码最不值钱最廉价关键是理解：可以简单看一下代码。
import pandas as pd
import numpy as np
import tensorflow as tf
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
# 读取数据
data = pd.read_csv("./data.csv")
#print(data)
# 数据转换
user_index = data[data.columns[0]]
video_index = data.columns
data = data.reset_index(drop=True)
data[data.columns[0]] = data.index.astype('int')
# 设置阈值
scaler = 10
# 向量化操作
df_long = pd.melt(data, id_vars=[data.columns[0]],
ignore_index=True,
var_name='video_id',
value_name='rate').dropna()
df_long.columns = ['user_id', 'video_id', 'rating']
df_long['rating'] = df_long['rating'] / scaler
# replace the user_id to user by match user_index
df_long['user_id'] = df_long['user_id'].apply(lambda x: user_index[x])
print(df_long)
# 打标签
dataset = df_long
# Encode the user and movie IDs
user_encoder = LabelEncoder()
video_encoder = LabelEncoder()
dataset['user_id'] = user_encoder.fit_transform(dataset['user_id'])
dataset['video_id'] = video_encoder.fit_transform(dataset['video_id'])
train = dataset
# Model hyperparameters
num_users = len(dataset['user_id'].unique())
num_countries = len(dataset['video_id'].unique())
# 训练
embedding_dim = 64
# Create the NCF model
inputs_user = tf.keras.layers.Input(shape=(1,))
inputs_video = tf.keras.layers.Input(shape=(1,))
embedding_user = tf.keras.layers.Embedding(num_users, embedding_dim)(inputs_user)
embedding_video = tf.keras.layers.Embedding(num_countries, embedding_dim)(inputs_video)
# Merge the embeddings using concatenation, you can also try other merging methods like dot product or multiplication
merged = tf.keras.layers.Concatenate()([embedding_user, embedding_video])
merged = tf.keras.layers.Flatten()(merged)
# Add fully connected layers
dense = tf.keras.layers.Dense(64, activation='relu')(merged)
dense = tf.keras.layers.Dense(32, activation='relu')(dense)
output = tf.keras.layers.Dense(1, activation='sigmoid')(dense)
# Compile the model
model = tf.keras.Model(inputs=[inputs_user, inputs_video], outputs=output)
model.compile(optimizer='adam', loss='mse', metrics=['mae'])
model.fit(
[train['user_id'].values, train['video_id'].values],
train['rating'].values,
batch_size=64,
epochs=100,
verbose=0,
# validation_split=0.1,
)
# 输出训练结果
result_df = {}
for user_i in range(1, 10):
user = f'User{user_i}'
result_df[user] = {}
for video_i in range(1, 7):
video = f'Video {video_i}'
pred_user_id = user_encoder.transform([user])
pred_video_id = video_encoder.transform([video])
result = model.predict(x=[pred_user_id, pred_video_id], verbose=0)
result_df[user][video] = result[0][0]
result_df = pd.DataFrame(result_df).T
result_df *= scaler
print(result_df)