使用Python MrJob的MapReduce实现电影推荐系统

原文链接：http://www.sobuhu.com/archives/567

最近发现一个很好玩的Python库，可以方便的使用在Python下编写MapReduce任务，直接使用Hadoop Streaming在Hadoop上跑。对于一般的Hadoop而言，如果任务需要大量的IO相关操作（如数据库查询、文件读写等），使用Python还是Java、C++，性能差别不大，而如果需要大量的数据运算，那可能Python会慢很多（语言级别上的慢），参考这里。

最常见的如日志分析、Query统计等，都可以直接用Python快速完成。

Python作为一种快速开发语言，优美、简洁的语法征服了很多人，现在很多的机器学习程序最初都是跑在Python上的（如知乎的推荐引擎），只有当规模大到一定程度才会转移到C或Java上。

本文会通过一个简单的电影推荐系统来介绍如何使用MrJOB。

 首先，可能很多人对性能格外在意，可以先看这篇文章：

http://stackoverflow.com/questions/1482282/java-vs-python-on-hadoop

MrJob项目地址： https://github.com/Yelp/mrjob

MrJOB的精简介绍

这里重点在于实现电影推荐的系统，所以对于MrJob本身的介绍会比较简略，够用即可，详细说明可以看官方文档。

首先，在Python中安装mrjob后，最基本的MapReduce任务很简单：

from mrjob.job import MRJob
import re
 
WORD_RE = re.compile(r"[\w']+")
 
class MRWordFreqCount(MRJob):
 
    def mapper(self, _, line):
        for word in WORD_RE.findall(line):
            yield word.lower(), 1
 
    def combiner(self, word, counts):
        yield word, sum(counts)
 
    def reducer(self, word, counts):
        yield word, sum(counts)
 
if __name__ == '__main__':
    MRWordFreqCount.run()

上面的代码中，有三个函数，mapper、combiner、reducer，作用和普通的Java版本相同：

• mapper用来接收每一行的数据输入，对其进行处理返回一个key-value对；
• combiner接收mapper输出的key-value对进行整合，把相同key的value作为数组输入处理后输出；
• reducer和combiner的作用完全相同，不同之处在于combiner是对于单个mapper进行处理，而reducer是对整个任务（可能有很多mapper在执行）的key-value进行处理。它以各个combiner的输出作为输入。

更为详细的介绍，如分步任务、数据初始化等可以参考其这份官方文档。

电影推荐系统

假设我们现在有一个影视网站，每一个用户可以给电影评1到5分，现在我们需要计算每两个电影之间的相似度，其过程是：

• 对于任一电影A和B，我们能找出所有同时为A和B评分过的人；
• 根据这些人的评分，构建一个基于电影A的向量和一个基于电影B的向量；
• 根据这两个向量计算他们之间的相似度；
• 当有用户看过一部电影之后，我们给他推荐与之相似度最高的另一部电影；

你可以从这里下载一些开源的电影评分数据，我们使用的是1000个用户对1700部电影进行的100000万个评分数据，下载后的数据文件夹包含一个README，里面有对各个文件的详细介绍，鉴于我们只需要（user|movie|rating）数据，所以我们用Python把这些数据进行一些处理：

#!/usr/python/env python
if__name__=='__main__':
    user_items=[]
    items=[]
    withopen('u.data')asf:
        forlineinf:
            user_items.append(line.split('\t'))
 
    withopen('u.item')asf:
        forlineinf:
            items.append(line.split('|'))
    print'user_items[0] = ',user_items[0]
    print'items[0] = ',items[0]
 
    items_hash={}
    foriinitems:
        items_hash[i[0]]=i[1]
 
    print'items_hash[1] = ',items_hash['1']
 
    foruiinuser_items:
        ui[1]=items_hash[ui[1]]
 
    print'user_items[0] = ',user_items[0]
 
    withopen('ratings.csv','w')asf:
        foruiinuser_items:
            f.write(ui[0]+'|'+ui[1]+'|'+ui[2]+'\n')

处理后的数据类大约似于这样：

196|Kolya (1996)|3
186|L.A. Confidential (1997)|3
22|Heavyweights (1994)|1
244|Legends of the Fall (1994)|2
166|Jackie Brown (1997)|1
298|Dr. Strangelove or: How I Learned to Stop Worrying and Love the Bomb (1963)|4
115|Hunt for Red October, The (1990)|2
253|Jungle Book, The (1994)|5
305|Grease (1978)|3

皮尔逊相关系数

判断两个向量的相似度的方式有很多种，比如测量其欧氏距离、海明距离等，这里我们用皮尔逊相关系数来计算器相关性，该系数可以理解为两个向量之间夹角的余弦值，介于-1到1之间，绝对值越大相关性越强，公式为：

第一步，我们首先对把每个用户的所有评分聚合到一起，代码如下：

#!/usr/bin/env python
# coding=utf-8
from mrjob.job import MRJob
 
class Step1(MRJob):
    """ 
    第一步是聚合单个用户的下的所有评分数据
    格式为：user_id, (item_count, rating_sum, [(item_id,rating)...])
    """
    def group_by_user_rating(self, key, line):
        """
        该mapper输出为：
        17 70,3
        35 21,1
        49 19,2
        49 21,1
        """
        user_id, item_id, rating = line.split('|')
        yield user_id, (item_id, float(rating))
 
    def count_ratings_users_freq(self, user_id, values):
        """
        该reducer输出为：
        49 (3,7,[19,2 21,1 70,4])
        """
        item_count = 0
        item_sum = 0
        final = []
        for item_id, rating in values:
            item_count += 1
            item_sum += rating
            final.append((item_id, rating))
 
        yield user_id, (item_count, item_sum, final)
 
    def steps(self):
        return [self.mr(mapper=self.group_by_user_rating,
                        reducer=self.count_ratings_users_freq),]
 
if __name__ == '__main__':
    Step1.run()

使用命令  $python step1.py ratings.csv > result1.csv  获得第一步的结果。

第二步，根据第一步聚合起来的用户评分，按照皮尔逊系数算法获得任一两个电影之间的相关性，代码及注释如下：

#!/usr/bin/env python
#! coding=utf-8
frommrjob.jobimportMRJob
fromitertoolsimportcombinations
frommathimportsqrt
 
classStep2(MRJob):
    defpairwise_items(self,user_id,values):
        '''
        本mapper使用step1的输出作为输入，把user_id丢弃掉不再使用
        输出结果为 （item_1,item2），(rating_1,rating_2)
 
        这里combinations(iterable,number)的作用是求某个集合的组合，
        如combinations([1,2,3,4],2)就是在集合种找出任两个数的组合。
 
        这个mapper是整个任务的性能瓶颈，这是因为combinations函数生成的数据
        比较多，这么多的零散数据依次写回磁盘，IO操作过于频繁，可以用写一个
        Combiner来紧接着mapper做一些聚合操作（和Reducer相同），由Combiner
        把数据写回磁盘，该Combiner也可以用C库来实现，由Python调用。
        '''
        # 这里由于step1是分开的，把数据dump到文件result1.csv中，所以读取的时候
        # 需要按照字符串处理，如果step1和step2在同一个job内完成，则直接可以去掉
        # 这一行代码，在同一个job内完成参见steps函数的使用说明。
        values=eval(values.split('\t')[1])
        item_count,item_sum,ratings=values
        foritem1,item2incombinations(ratings,2):
            yield(item1[0],item2[0]),(item1[1],item2[1])
 
    defcalculate_similarity(self,pair_key,lines):
        '''
        (Movie A,Movie B)作为Key，(A rating,B rating)作为该reducer的输入，
        每一次输入属于同一个用户，所有当两个key相同时，代表他们两个都看了A和B，所以
        按照这些所有都看了A、B的人的评分作为向量，计算A、B的皮尔逊系数。
        '''
        sum_xx,sum_xy,sum_yy,sum_x,sum_y,n=(0.0,0.0,0.0,0.0,0.0,0)
        item_pair,co_ratings=pair_key,lines
        item_xname,item_yname=item_pair
        foritem_x,item_yinco_ratings:
            sum_xx+=item_x*item_x
            sum_yy+=item_y*item_y
            sum_xy+=item_x*item_y
            sum_y+=item_y
            sum_x+=item_x
            n+=1
        similarity=self.normalized_correlation(n,sum_xy,sum_x,sum_y,sum_xx,sum_yy)
        yield(item_xname,item_yname),(similarity,n)
 
    defsteps(self):
        return[self.mr(mapper=self.pairwise_items,
                        reducer=self.calculate_similarity),]
 
    defnormalized_correlation(self,n,sum_xy,sum_x,sum_y,sum_xx,sum_yy):
        numerator=(n*sum_xy-sum_x*sum_y)
        denominator=sqrt(n*sum_xx-sum_x*sum_x)*sqrt(n*sum_yy-sum_y*sum_y)
        similarity=numerator/denominator
        returnsimilarity
 
if__name__=='__main__':
    Step2.run()

使用命令  $python step2.py result1.csv > result2.csv 获得第二步的结果。

获得结果集示例：

[Movie A, Movie B] [similarity, rating count]

["Star Trek VI: The Undiscovered Country (1991)","Star Trek: Generations (1994)"]    [0.31762191045234545,93]
["Star Trek VI: The Undiscovered Country (1991)","Star Trek: The Motion Picture (1979)"]    [0.4632318663542742,96]
["Star Trek VI: The Undiscovered Country (1991)","Star Trek: The Wrath of Khan (1982)"]    [0.44969297939248015,148]
["Star Trek VI: The Undiscovered Country (1991)","Star Wars (1977)"]    [0.08625580124837125,151]
["Star Trek VI: The Undiscovered Country (1991)","Stargate (1994)"]    [0.30431878197511564,94]
["Star Trek VI: The Undiscovered Country (1991)","Stars Fell on Henrietta, The (1995)"]    [1.0,2]
["Star Trek VI: The Undiscovered Country (1991)","Starship Troopers (1997)"]    [0.14969005091372395,59]
["Star Trek VI: The Undiscovered Country (1991)","Steal Big, Steal Little (1995)"]    [0.74535599249993,5]
["Star Trek VI: The Undiscovered Country (1991)","Stealing Beauty (1996)"]    [-0.4879500364742666,10]
["Star Trek VI: The Undiscovered Country (1991)","Steel (1997)"]    [1.0,2]
["Star Trek VI: The Undiscovered Country (1991)","Stephen King's The Langoliers (1995)"]    [-0.11470786693528087,16]

可以看到结果还是具有一定的实际价值的，需要注意的是，Stars Fell on Henrietta, The (1995) 这部电影是1.0，也就是完全相关，但是由于只有两个人同时对他们进行了评价，所以结果并非全都很正确，这里还要考虑多少人进行了评价。

结语

本文的内容来自于参考资料中的博客，博主仅做了整理工作，有任何问题可以和我交流。需要指出的是，类似于本文中的电影推荐仅仅是众多推荐算法中一种，可以说是对物品进行相似度判断，实际上也可以根据用户进行用户相似度判断，相似的用户总是喜欢相同的电影，这在实践中效果更好一点，也更容易根据社交关系进一步挖掘。

参考资料：http://aimotion.blogspot.com.br/2012/08/introduction-to-recommendations-with.html