Item2Vec算法及代码实战

1.背景

  在word2vec诞生之后，embedding的思想迅速从NLP领域扩散到几乎所有机器学习的领域，我们既然可以对一个序列中的词进行embedding，那自然可以对用户购买序列中的一个商品，用户观看序列中的一个电影进行embedding。而广告、推荐、搜索等领域用户数据的稀疏性几乎必然要求在构建DNN之前对user和item进行embedding后才能进行有效的训练。 在推荐系统中，用户Embedding向量更多通过行为历史中的物品Embedding平均或者聚类得到。对于物品Embedding的计算，2016年微软提出了Item2vec的方法。

2.Item2vec的基本原理

相比于Word2vec利用“词序列”生成词Embedding。Item2vec利用的“物品序列”是由特定用户的浏览、购买等行为产生的历史行为记录序列。

如果Item存在于一个序列中，Item2vec的方法与word2vec没有任何区别。而如果摒弃序列中Item的空间关系，在原来的目标函数基础上，自然是不存在时间窗口的概念了，取而代之的是Item set中两两之间的条件概率。
$$\frac{1}{K}\sum _{i=1}^K\sum _{j\ne i}^{K}logp(w_j|w_i)$$
Item2vec摒弃了时间窗口的概念，认为序列中任意两个物品都相关，因此在Item2vec的目标函数中可以看到两两物品对数概率的和，而不是时间窗口内物品的对数概率之和。

3.“广义”上的Item2vec

  在广告场景下的双塔模型中，广告侧的模型结构实现的就是对物品进行Embedding的过程。该模型成为“双塔模型”。

• 广告侧：“item塔”，接受物品相关的特征向量。

经过“item塔”内的多层神经网络，最终生成一个多维稠密向量。Embedding模型从Word2vec变成了复杂灵活的“item塔”模型，输入特征有用户行为序列生成的one-hot特征向量变成了可包含更多信息的物品特征向量。

4.Item2vec实践

类似于Word2vec，item2vec有两种方式：CBOW和skip-gram模型。
CBOW使用的是词袋模型，模型的训练输入是某一个特征词的上下文相关的词对应的词向量，而输出就是这个词的词向量。Skip-Gram模型和CBOW的思路是反着来的，即输入是特定的一个词的词向量，而输出是特定词对应的上下文词向量。

主流程：

• 从log中抽取用户行为序列
• 将行为序列当成预料训练word2Vec得到item embedding
• 得到item sim关系用于推荐

在gensim中，word2vec 相关的API都在包gensim.models.word2vec中。 算法需要注意的参数有：

1. sentences: 要分析的语料，可以是一个列表，或者从文件中遍历读出。
2. vector_size: 词向量的维度，默认值是100。这个维度的取值一般与语料的大小相关，如果是不大的语料，比如小于100M的文本语料，则使用默认值一般就可以了。如果是超大的语料，建议增大维度。
3. window：即词向量上下文最大距离，window越大，则和某一词较远的词也会产生上下文关系。默认值为5。在实际使用中，可以根据实际的需求来动态调整这个window的大小。如果是小语料则这个值可以设的更小。对于一般的语料这个值推荐在[5,10]之间。
4. sg: 即我们的word2vec两个模型的选择了。如果是0， 则是CBOW模型，是1则是Skip-Gram模型，默认是0即CBOW模型。
5. hs: 即我们的word2vec两个解法的选择了，如果是0， 则是Negative Sampling，如果是1的话并且负采样个数negative大于0， 则是Hierarchical Softmax。默认是0即Negative Sampling。
6. negative:即使用Negative Sampling时负采样的个数，默认是5。推荐在[3,10]之间。这个参数在算法原理篇中标记为neg。
7. cbow_mean: 仅用于CBOW在做投影的时候，为0，则算法中的$x_w$为上下文的词向量之和，为1则为上下文的词向量的平均值。在我们的原理篇中，是按照词向量的平均值来描述的。默认值也是1,不推荐修改默认值。
8. min_count:需要计算词向量的最小词频。这个值可以去掉一些很生僻的低频词，默认是5。如果是小语料，可以调低这个值。
9. epochs: 随机梯度下降法中迭代的最大次数，默认是5。对于大语料，可以增大这个值。
10. alpha: 在随机梯度下降法中迭代的初始步长。算法原理篇中标记为η，默认是0.025。
11. min_alpha: 由于算法支持在迭代的过程中逐渐减小步长，min_alpha给出了最小的迭代步长值。随机梯度下降中每轮的迭代步长可以由iter，alpha， min_alpha一起得出。对于大语料，需要对alpha, min_alpha,iter一起调参，来选择合适的三个值。

代码如下

import pandas as pd
from gensim.models import Word2Vec
import multiprocessing
import os


class CBOW:
    def __init__(self, input_file):
        self.model = self.get_train_data(input_file)

    def get_train_data(self, input_file, L=100):
        if not os.path.exists(input_file):
            return
        score_thr = 4.0
        ratingsDF = pd.read_csv(input_file, index_col=None, sep='::', header=None,
                                names=['user_id', 'movie_id', 'rating', 'timestamp'])
        ratingsDF = ratingsDF[ratingsDF['rating'] > score_thr]
        ratingsDF['movie_id'] = ratingsDF['movie_id'].apply(str)
        movie_list = ratingsDF.groupby('user_id')['movie_id'].apply(list).values
        print('training...')
        model = Word2Vec(movie_list, vector_size=L, window=5, sg=0, hs=0, min_count=1, workers=multiprocessing.cpu_count(), epochs=10)
        return model

    def recommend(self, movieID, K):
        """
         Args:
             movieID:the movieID to find similar
             K:recom item num
         Returns:
             a dic,key:itemid ,value:sim score
         """
        movieID = str(movieID)
        rank = self.model.wv.most_similar(movieID, topn=K)
        return rank


if __name__ == '__main__':
    moviesPath = './ml-1m/movies.dat'
    ratingsPath = './ml-1m/ratings.dat'
    usersPath = './ml-1m/users.dat'

    rank = CBOW(ratingsPath).recommend(movieID=1, K=30)
    print('CBOW result', rank)

5.Item2vec的特点和局限性

特点：万物皆可embedding

局限性：只能利用序列型数据，在处理互联网背景下大量的网络化数据时不够用

本文仅仅作为个人学习记录所用，不作为商业用途，谢谢理解。

参考：

1.https://www.cnblogs.com/hellojamest/p/11766401.html

2.https://www.zhihu.com/tardis/zm/art/53194407?source_id=1003