基于baseline、svd和stochastic gradient descent的个性化推荐系统

文章主要介绍的是koren 08年发的论文[1],  2.3部分内容(其余部分会陆续补充上来)。

koren论文中用到netflix 数据集, 过于大, 在普通的pc机上运行时间很长很长。考虑到写文章目地主要是已介绍总结方法为主,所以采用Movielens 数据集。

变量介绍

基于baseline、svd和stochastic gradient descent的个性化推荐系统_第1张图片

部分变量介绍可以参看《基于baseline和stochastic gradient descent的个性化推荐系统》


文章中,将介绍两种方法实现的简易个性化推荐系统,用RMSE评价标准,对比这两个方法的实验结果。

(1) svd + stochstic gradient descent 方法来实现系统。

(2) baseline + svd + stochastic gradient descent 方法来实现系统。

注:

基于baseline、svd和stochastic gradient descent的个性化推荐系统_第2张图片


方法1: svd + stochastic gradient descent

svd:  


cost  function:


梯度变化(利用stochastic gradient descent算法使上述的目标函数值,在设定的迭代次数内,降到最小)

基于baseline、svd和stochastic gradient descent的个性化推荐系统_第3张图片

方法1,具体代码实现

[python]  view plain copy print ?
  1. ''''' 
  2. Created on Dec 13, 2012 
  3.  
  4. @Author: Dennis Wu 
  5. @E-mail: [email protected] 
  6. @Homepage: http://blog.csdn.net/wuzh670 
  7.  
  8. Data set download from : http://www.grouplens.org/system/files/ml-100k.zip 
  9. '''  
  10.   
  11. from operator import itemgetter, attrgetter  
  12. from math import sqrt  
  13. import random  
  14.   
  15. def load_data():  
  16.       
  17.     train = {}  
  18.     test = {}  
  19.     filename_train = 'data/ua.base'  
  20.     filename_test = 'data/ua.test'  
  21.       
  22.     for line in open(filename_train):  
  23.         (userId, itemId, rating, timestamp) = line.strip().split('\t')  
  24.         train.setdefault(userId,{})  
  25.         train[userId][itemId] = float(rating)  
  26.     
  27.     for line in open(filename_test):  
  28.         (userId, itemId, rating, timestamp) = line.strip().split('\t')  
  29.         test.setdefault(userId,{})  
  30.         test[userId][itemId] = float(rating)  
  31.           
  32.     return train, test  
  33.   
  34. def calMean(train):  
  35.     stat = 0  
  36.     num = 0  
  37.     for u in train.keys():  
  38.         for i in train[u].keys():  
  39.             stat += train[u][i]  
  40.             num += 1  
  41.     mean = stat*1.0/num  
  42.     return mean  
  43.   
  44. def initialFeature(feature, userNum, movieNum):  
  45.   
  46.     random.seed(0)  
  47.     user_feature = {}  
  48.     item_feature = {}  
  49.     i = 1  
  50.     while i < (userNum+1):  
  51.         si = str(i)  
  52.         user_feature.setdefault(si,{})  
  53.         j = 1  
  54.         while j < (feature+1):  
  55.             sj = str(j)  
  56.             user_feature[si].setdefault(sj,random.uniform(0,1))  
  57.             j += 1  
  58.         i += 1  
  59.       
  60.     i = 1  
  61.     while i < (movieNum+1):  
  62.         si = str(i)  
  63.         item_feature.setdefault(si,{})  
  64.         j = 1  
  65.         while j < (feature+1):  
  66.             sj = str(j)  
  67.             item_feature[si].setdefault(sj,random.uniform(0,1))  
  68.             j += 1  
  69.         i += 1  
  70.     return user_feature, item_feature  
  71.   
  72. def svd(train, test, userNum, movieNum, feature, user_feature, item_feature):  
  73.   
  74.     gama = 0.02  
  75.     lamda = 0.3  
  76.     slowRate = 0.99  
  77.     step = 0  
  78.     preRmse = 1000000000.0  
  79.     nowRmse = 0.0  
  80.       
  81.     while step < 100:  
  82.         rmse = 0.0  
  83.         n = 0  
  84.         for u in train.keys():  
  85.             for i in train[u].keys():  
  86.                 pui = 0  
  87.                 k = 1  
  88.                 while k < (feature+1):  
  89.                     sk = str(k)  
  90.                     pui += user_feature[u][sk] * item_feature[i][sk]  
  91.                     k += 1  
  92.                 eui = train[u][i] - pui  
  93.                 rmse += pow(eui,2)  
  94.                 n += 1  
  95.                 k = 1  
  96.                 while k < (feature+1):  
  97.                     sk = str(k)  
  98.                     user_feature[u][sk] += gama*(eui*item_feature[i][sk] - lamda*user_feature[u][sk])  
  99.                     item_feature[i][sk] += gama*(eui*user_feature[u][sk] - lamda**item_feature[i][sk])  
  100.                     k += 1  
  101.               
  102.         nowRmse = sqrt(rmse*1.0/n)  
  103.         print 'step: %d      Rmse: %s' % ((step+1), nowRmse)  
  104.         if (nowRmse < preRmse):  
  105.             preRmse = nowRmse  
  106.               
  107.         gama *= slowRate  
  108.         step += 1  
  109.           
  110.     return user_feature, item_feature  
  111.   
  112. def calRmse(test, user_feature, item_feature, feature):  
  113.       
  114.     rmse = 0.0  
  115.     n = 0  
  116.     for u in test.keys():  
  117.         for i in test[u].keys():  
  118.             pui = 0  
  119.             k = 1  
  120.             while k < (feature+1):  
  121.                 sk = str(k)  
  122.                 pui += user_feature[u][sk] * item_feature[i][sk]  
  123.                 k += 1  
  124.             eui = pui - test[u][i]  
  125.             rmse += pow(eui,2)  
  126.             n += 1  
  127.     rmse = sqrt(rmse*1.0 / n)  
  128.     return rmse;  
  129.      
  130. if __name__ == "__main__":  
  131.   
  132.     # load data  
  133.     train, test = load_data()  
  134.     print 'load data success'  
  135.   
  136.     # initial user and item feature, respectly  
  137.     user_feature, item_feature = initialFeature(1009431682)  
  138.     print 'initial user and item feature, respectly success'  
  139.       
  140.     # baseline + svd + stochastic gradient descent  
  141.     user_feature, item_feature = svd(train, test, 9431682100, user_feature, item_feature)  
  142.     print 'svd + stochastic gradient descent success'  
  143.       
  144.     # compute the rmse of test set  
  145.     print 'the Rmse of test test is: %s' % calRmse(test, user_feature, item_feature, 100)  
  146.       
  147.       



方法2:baseline + svd + stochastic gradient descent 

baseline + svd:


object function:


梯度变化(利用stochastic gradient descent算法使上述的目标函数值,在设定的迭代次数内,降到最小)

基于baseline、svd和stochastic gradient descent的个性化推荐系统_第4张图片

方法2: 具体代码实现

[python]  view plain copy print ?
  1. ''''' 
  2. Created on Dec 13, 2012 
  3.  
  4. @Author: Dennis Wu 
  5. @E-mail: [email protected] 
  6. @Homepage: http://blog.csdn.net/wuzh670 
  7.  
  8. Data set download from : http://www.grouplens.org/system/files/ml-100k.zip 
  9. '''  
  10.   
  11. from operator import itemgetter, attrgetter  
  12. from math import sqrt  
  13. import random  
  14.   
  15. def load_data():  
  16.       
  17.     train = {}  
  18.     test = {}  
  19.     filename_train = 'data/ua.base'  
  20.     filename_test = 'data/ua.test'  
  21.       
  22.     for line in open(filename_train):  
  23.         (userId, itemId, rating, timestamp) = line.strip().split('\t')  
  24.         train.setdefault(userId,{})  
  25.         train[userId][itemId] = float(rating)  
  26.     
  27.     for line in open(filename_test):  
  28.         (userId, itemId, rating, timestamp) = line.strip().split('\t')  
  29.         test.setdefault(userId,{})  
  30.         test[userId][itemId] = float(rating)  
  31.           
  32.     return train, test  
  33.   
  34. def calMean(train):  
  35.     stat = 0  
  36.     num = 0  
  37.     for u in train.keys():  
  38.         for i in train[u].keys():  
  39.             stat += train[u][i]  
  40.             num += 1  
  41.     mean = stat*1.0/num  
  42.     return mean  
  43.   
  44. def initialBias(train, userNum, movieNum, mean):  
  45.   
  46.     bu = {}  
  47.     bi = {}  
  48.     biNum = {}  
  49.     buNum = {}  
  50.       
  51.     u = 1  
  52.     while u < (userNum+1):  
  53.         su = str(u)  
  54.         for i in train[su].keys():  
  55.             bi.setdefault(i,0)  
  56.             biNum.setdefault(i,0)  
  57.             bi[i] += (train[su][i] - mean)  
  58.             biNum[i] += 1  
  59.         u += 1  
  60.           
  61.     i = 1  
  62.     while i < (movieNum+1):  
  63.         si = str(i)  
  64.         biNum.setdefault(si,0)  
  65.         if biNum[si] >= 1:  
  66.             bi[si] = bi[si]*1.0/(biNum[si]+25)  
  67.         else:  
  68.             bi[si] = 0.0  
  69.         i += 1  
  70.   
  71.     u = 1  
  72.     while u < (userNum+1):  
  73.         su = str(u)  
  74.         for i in train[su].keys():  
  75.             bu.setdefault(su,0)  
  76.             buNum.setdefault(su,0)  
  77.             bu[su] += (train[su][i] - mean - bi[i])  
  78.             buNum[su] += 1  
  79.         u += 1  
  80.           
  81.     u = 1  
  82.     while u < (userNum+1):  
  83.         su = str(u)  
  84.         buNum.setdefault(su,0)  
  85.         if buNum[su] >= 1:  
  86.             bu[su] = bu[su]*1.0/(buNum[su]+10)  
  87.         else:  
  88.             bu[su] = 0.0  
  89.         u += 1  
  90.   
  91.     return bu,bi  
  92.   
  93. def initialFeature(feature, userNum, movieNum):  
  94.   
  95.     random.seed(0)  
  96.     user_feature = {}  
  97.     item_feature = {}  
  98.     i = 1  
  99.     while i < (userNum+1):  
  100.         si = str(i)  
  101.         user_feature.setdefault(si,{})  
  102.         j = 1  
  103.         while j < (feature+1):  
  104.             sj = str(j)  
  105.             user_feature[si].setdefault(sj,random.uniform(0,1))  
  106.             j += 1  
  107.         i += 1  
  108.       
  109.     i = 1  
  110.     while i < (movieNum+1):  
  111.         si = str(i)  
  112.         item_feature.setdefault(si,{})  
  113.         j = 1  
  114.         while j < (feature+1):  
  115.             sj = str(j)  
  116.             item_feature[si].setdefault(sj,random.uniform(0,1))  
  117.             j += 1  
  118.         i += 1  
  119.     return user_feature, item_feature  
  120.   
  121. def svd(train, test, mean, userNum, movieNum, feature, user_feature, item_feature, bu, bi):  
  122.   
  123.     gama = 0.02  
  124.     lamda = 0.3  
  125.     slowRate = 0.99  
  126.     step = 0  
  127.     preRmse = 1000000000.0  
  128.     nowRmse = 0.0  
  129.       
  130.     while step < 100:  
  131.         rmse = 0.0  
  132.         n = 0  
  133.         for u in train.keys():  
  134.             for i in train[u].keys():  
  135.                 pui = 1.0 * (mean + bu[u] + bi[i])  
  136.                 k = 1  
  137.                 while k < (feature+1):  
  138.                     sk = str(k)  
  139.                     pui += user_feature[u][sk] * item_feature[i][sk]  
  140.                     k += 1  
  141.                 eui = train[u][i] - pui  
  142.                 rmse += pow(eui,2)  
  143.                 n += 1  
  144.                 bu[u] += gama * (eui - lamda * bu[u])  
  145.                 bi[i] += gama * (eui - lamda * bi[i])  
  146.                 k = 1  
  147.                 while k < (feature+1):  
  148.                     sk = str(k)  
  149.                     user_feature[u][sk] += gama*(eui*item_feature[i][sk] - lamda*user_feature[u][sk])  
  150.                     item_feature[i][sk] += gama*(eui*user_feature[u][sk] - lamda*item_feature[i][sk])  
  151.                     k += 1  
  152.               
  153.         nowRmse = sqrt(rmse*1.0/n)  
  154.         print 'step: %d      Rmse: %s' % ((step+1), nowRmse)  
  155.         if (nowRmse < preRmse):  
  156.             preRmse = nowRmse  
  157.               
  158.         gama *= slowRate  
  159.         step += 1  
  160.     return user_feature, item_feature, bu, bi  
  161.   
  162. def calRmse(test, bu, bi, user_feature, item_feature, mean, feature):  
  163.       
  164.     rmse = 0.0  
  165.     n = 0  
  166.     for u in test.keys():  
  167.         for i in test[u].keys():  
  168.             pui = 1.0 * (mean + bu[u] + bi[i])  
  169.             k = 1  
  170.             while k < (feature+1):  
  171.                 sk = str(k)  
  172.                 pui += user_feature[u][sk] * item_feature[i][sk]  
  173.                 k += 1  
  174.             eui = pui - test[u][i]  
  175.             rmse += pow(eui,2)  
  176.             n += 1  
  177.     rmse = sqrt(rmse*1.0 / n)  
  178.     return rmse;  
  179.      
  180. if __name__ == "__main__":  
  181.   
  182.     # load data  
  183.     train, test = load_data()  
  184.     print 'load data success'  
  185.       
  186.     # Calculate overall mean rating  
  187.     mean = calMean(train)  
  188.     print 'Calculate overall mean rating success'  
  189.   
  190.     # initial user and item Bias, respectly  
  191.     bu, bi = initialBias(train, 9431682, mean)  
  192.     print 'initial user and item Bias, respectly success'  
  193.   
  194.     # initial user and item feature, respectly  
  195.     user_feature, item_feature = initialFeature(1009431682)  
  196.     print 'initial user and item feature, respectly success'  
  197.       
  198.     # baseline + svd + stochastic gradient descent  
  199.     user_feature, item_feature, bu, bi = svd(train, test, mean, 9431682100, user_feature, item_feature, bu, bi)  
  200.     print 'baseline + svd + stochastic gradient descent success'  
  201.       
  202.     # compute the rmse of test set  
  203.     print 'the Rmse of test test is: %s' % calRmse(test, bu, bi, user_feature, item_feature, mean, 100)  
  204.       
  205.       

实验参数设置:

   

(gama = 0.02  lamda =0.3)

   feature = 100 maxstep = 100 slowRate = 0.99(随着迭代次数增加,梯度下降幅度越来越小) 


方法1结果:Rmse of test set : 1.00422938926

方法2结果:Rmse of test set : 0.963661477881







REFERENCES

1.Y. Koren. Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model. Proc. 14th ACM SIGKDD Int. Conf. On Knowledge Discovery and Data Mining  (KDD08), pp. 426434, 2008.

2. Y.Koren.  The BellKor Solution to the Netflix Grand Prize  2009


转载请注明:转自 zh's note    http://blog.csdn.net/wuzh670/

你可能感兴趣的:(推荐系统,SVD,SGD)