在贝叶斯个性化排序(BPR)算法小结中,我们对贝叶斯个性化排序(Bayesian Personalized Ranking, 以下简称BPR)的原理做了讨论,本文我们将从实践的角度来使用BPR做一个简单的推荐。由于现有主流开源类库都没有BPR,同时它又比较简单,因此用tensorflow自己实现一个简单的BPR的算法,下面我们开始吧。
1. BPR算法回顾
BPR算法是基于矩阵分解的排序算法,它的算法训练集是一个个的三元组$<u,i,j>$,表示对用户u来说,商品i的优先级要高于商品j。训练成果是两个分解后的矩阵$W$和$H$,假设有m个用户,n个物品,那么$W$的维度是$m \times k$, $H$的维度是$n \times k$。其中k是一个需要自己定义的较小的维度。对于任意一个用户u,我们可以计算出它对商品i的排序评分为$\overline{x}_{ui} = w_u \bullet h_i$。将u对所有物品的排序评分中找出最大的若干个,就是我们对用户u的真正的推荐集合。
2. 基于movieLens 100K做BPR推荐
本文我们基于MovieLens 100K的数据做BPR推荐示例,数据下载链接在这。这个数据集有943个用户对1682部电影的打分。由于BPR是排序算法,因此数据集里的打分会被我们忽略,主要是假设用户看过的电影会比用户满意看的电影的排序评分高。由于tensorflow需要批量梯度下降,因此我们需要自己划分若干批训练集和测试集。
3. 算法流程
下面我们开始算法的流程,参考了github上一个较旧的BPR代码于此,有删改和增强。
首先是载入类库和数据,代码如下:
import numpy import tensorflow as tf import os import random from collections import defaultdict def load_data(data_path): user_ratings = defaultdict(set) max_u_id = -1 max_i_id = -1 with open(data_path, ‘r‘) as f: for line in f.readlines(): u, i, _, _ = line.split("\t") u = int(u) i = int(i) user_ratings[u].add(i) max_u_id = max(u, max_u_id) max_i_id = max(i, max_i_id) print ("max_u_id:", max_u_id) print ("max_i_id:", max_i_id) return max_u_id, max_i_id, user_ratings data_path = os.path.join(‘D:\\tmp\\ml-100k‘, ‘u.data‘) user_count, item_count, user_ratings = load_data(data_path)
输出为数据集里面的用户数和电影数。同时,每个用户看过的电影都保存在user_ratings中。
max_u_id: 943 max_i_id: 1682
下面我们会对每一个用户u,在user_ratings中随机找到他评分过的一部电影i,保存在user_ratings_test,后面构造训练集和测试集需要用到。
def generate_test(user_ratings): user_test = dict() for u, i_list in user_ratings.items(): user_test[u] = random.sample(user_ratings[u], 1)[0] return user_test user_ratings_test = generate_test(user_ratings)
接着我们需要得到TensorFlow迭代用的若干批训练集,获取训练集的代码如下,主要是根据user_ratings找到若干训练用的三元组$<u,i,j>$,对于随机抽出的用户u,i可以从user_ratings随机抽出,而j也是从总的电影集中随机抽出,当然j必须保证$(u,j)$不出现在user_ratings中。
def generate_train_batch(user_ratings, user_ratings_test, item_count, batch_size=512): t = [] for b in range(batch_size): u = random.sample(user_ratings.keys(), 1)[0] i = random.sample(user_ratings[u], 1)[0] while i == user_ratings_test[u]: i = random.sample(user_ratings[u], 1)[0] j = random.randint(1, item_count) while j in user_ratings[u]: j = random.randint(1, item_count) t.append([u, i, j]) return numpy.asarray(t)
下一步是产生测试集三元组$<u,i,j>$。对于每个用户u,它的评分电影i是我们在user_ratings_test中随机抽取的,它的j是用户u所有没有评分过的电影集合,比如用户u有1000部电影没有评分,那么这里该用户的测试集样本就有1000个。
def generate_test_batch(user_ratings, user_ratings_test, item_count): for u in user_ratings.keys(): t = [] i = user_ratings_test[u] for j in range(1, item_count+1): if not (j in user_ratings[u]): t.append([u, i, j]) yield numpy.asarray(t)
有了训练集和测试集,下面是用TensorFlow构建BPR算法的数据流,代码如下,其中hidden_dim就是我们矩阵分解的隐含维度k。user_emb_w对应矩阵$W$, item_emb_w对应矩阵$H$。如果大家看过之前写的BPR的算法原理篇,下面的损失函数的构造,相信大家都会很熟悉。
def bpr_mf(user_count, item_count, hidden_dim): u = tf.placeholder(tf.int32, [None]) i = tf.placeholder(tf.int32, [None]) j = tf.placeholder(tf.int32, [None]) with tf.device("/cpu:0"): user_emb_w = tf.get_variable("user_emb_w", [user_count+1, hidden_dim], initializer=tf.random_normal_initializer(0, 0.1)) item_emb_w = tf.get_variable("item_emb_w", [item_count+1, hidden_dim], initializer=tf.random_normal_initializer(0, 0.1)) u_emb = tf.nn.embedding_lookup(user_emb_w, u) i_emb = tf.nn.embedding_lookup(item_emb_w, i) j_emb = tf.nn.embedding_lookup(item_emb_w, j) # MF predict: u_i > u_j x = tf.reduce_sum(tf.multiply(u_emb, (i_emb - j_emb)), 1, keep_dims=True) # AUC for one user: # reasonable iff all (u,i,j) pairs are from the same user # # average AUC = mean( auc for each user in test set) mf_auc = tf.reduce_mean(tf.to_float(x > 0)) l2_norm = tf.add_n([ tf.reduce_sum(tf.multiply(u_emb, u_emb)), tf.reduce_sum(tf.multiply(i_emb, i_emb)), tf.reduce_sum(tf.multiply(j_emb, j_emb)) ]) regulation_rate = 0.0001 bprloss = regulation_rate * l2_norm - tf.reduce_mean(tf.log(tf.sigmoid(x))) train_op = tf.train.GradientDescentOptimizer(0.01).minimize(bprloss) return u, i, j, mf_auc, bprloss, train_op
有了算法的数据流图,训练集和测试集也有了,现在我们可以训练模型求解$W,H$这两个矩阵了,注意我们在原理篇是最大化对数后验估计函数, 而这里是最小化取了负号后对应的对数后验估计函数,实际是一样的。代码如下:
with tf.Graph().as_default(), tf.Session() as session: u, i, j, mf_auc, bprloss, train_op = bpr_mf(user_count, item_count, 20) session.run(tf.initialize_all_variables()) for epoch in range(1, 4): _batch_bprloss = 0 for k in range(1, 5000): # uniform samples from training set uij = generate_train_batch(user_ratings, user_ratings_test, item_count) _bprloss, _train_op = session.run([bprloss, train_op], feed_dict={u:uij[:,0], i:uij[:,1], j:uij[:,2]}) _batch_bprloss += _bprloss print ("epoch: ", epoch) print ("bpr_loss: ", _batch_bprloss / k) print ("_train_op") user_count = 0 _auc_sum = 0.0 # each batch will return only one user‘s auc for t_uij in generate_test_batch(user_ratings, user_ratings_test, item_count): _auc, _test_bprloss = session.run([mf_auc, bprloss], feed_dict={u:t_uij[:,0], i:t_uij[:,1], j:t_uij[:,2]} ) user_count += 1 _auc_sum += _auc print ("test_loss: ", _test_bprloss, "test_auc: ", _auc_sum/user_count) print ("") variable_names = [v.name for v in tf.trainable_variables()] values = session.run(variable_names) for k,v in zip(variable_names, values): print("Variable: ", k) print("Shape: ", v.shape) print(v)
这里我k取了20, 迭代次数3, 主要是为了快速输出结果。如果要做一个较好的BPR算法,需要对k值进行选择迭代,并且迭代次数也要更多一些。这里我的输出如下,供参考。
epoch: 1 bpr_loss: 0.7236263042427249 _train_op test_loss: 0.76150036 test_auc: 0.4852939894020929 epoch: 2 bpr_loss: 0.7229681559433149 _train_op test_loss: 0.76061743 test_auc: 0.48528061393838007 epoch: 3 bpr_loss: 0.7223725006756341 _train_op test_loss: 0.7597519 test_auc: 0.4852617720521252 Variable: user_emb_w:0 Shape: (944, 20) [[ 0.08105529 0.04270628 -0.12196594 ... 0.02729403 0.1556453 -0.07148876] [ 0.0729574 0.01720054 -0.08198593 ... 0.05565814 -0.0372898 0.11935959] [ 0.03591165 -0.11786834 0.04123168 ... 0.06533947 0.11889934 -0.19697346] ... [-0.05796075 -0.00695129 0.07784595 ... -0.03869986 0.10723818 0.01293885] [ 0.13237114 -0.07055715 -0.05505611 ... 0.16433473 0.04535925 0.0701588 ] [-0.2069717 0.04607181 0.07822093 ... 0.03704183 0.07326393 0.06110878]] Variable: item_emb_w:0 Shape: (1683, 20) [[ 0.09130769 -0.16516572 0.06490657 ... 0.03657753 -0.02265425 0.1437734 ] [ 0.02463264 0.13691436 -0.01713235 ... 0.02811887 0.00262074 0.08854961] [ 0.00643777 0.02678963 0.04300125 ... 0.03529688 -0.11161 0.11927075] ... [ 0.05260892 -0.03204868 -0.06910443 ... 0.03732759 -0.03459863 -0.05798787] [-0.07953933 -0.10924194 0.11368059 ... 0.06346208 -0.03269136 -0.03078123] [ 0.03460099 -0.10591184 -0.1008586 ... -0.07162578 0.00252131 0.06791534]]
现在我们已经得到了$W,H$矩阵,就可以对任意一个用户u的评分排序了。注意输出的$W,H$矩阵分别在values[0]和values[1]中。
那么我们如何才能对某个用户推荐呢?这里我们以第一个用户为例,它在$W$中对应的$w_0$向量为value[0][0],那么我们很容易求出这个用户对所有电影的预测评分, 代码如下:
session1 = tf.Session()
u1_dim = tf.expand_dims(values[0][0], 0)
u1_all = tf.matmul(u1_dim, values[1],transpose_b=True)
result_1 = session1.run(u1_all)
print (result_1)
输出为一个评分向量:
[[-0.01707731 0.06217583 -0.01760234 ... 0.067231 0.08989487 -0.05628442]]
现在给第一个用户推荐5部电影,代码如下:
print("以下是给用户0的推荐:") p = numpy.squeeze(result_1) p[numpy.argsort(p)[:-5]] = 0 for index in range(len(p)): if p[index] != 0: print (index, p[index])
输出如下:
以下是给用户0的推荐: 54 0.1907271 77 0.17746378 828 0.17181025 1043 0.16989286 1113 0.17458326
4. 小结
以上就是用tensorflow来构建BPR算法模型,并用该算法模型做movieLens 100K推荐的过程。实际做产品项目中,如果要用到BPR算法,一是要注意对隐藏维度k的调参,另外尽量多迭代一些轮数。
另外我们可以在BPR损失函数那一块做文章。比如我们可以对$\overline{x}_{uij} = \overline{x}_{ui} - \overline{x}_{uj}$这个式子做改进,加上一个基于评分时间的衰减系数,这样我们的排序推荐还可以考虑时间等其他因素。
以上就是用tensorflow学习BPR的全部内容。
(欢迎转载,转载请注明出处。欢迎沟通交流: [email protected])
原文地址:https://www.cnblogs.com/pinard/p/9163481.html