数据挖掘之推荐算法入门 （阿里大数据竞赛参赛经历） 蔡珉星 厦门大学数据库实验室2013级硕士研究生 指导老师：林子雨 http://dblab.xmu.edu.cn 2014年11月1日

目录 遇到的问题 什么是推荐系统 阿里巴巴大数据竞赛 推荐算法入门

什么是推荐系统 Part 1

什么是推荐系统 帮助用户从大量信息中找到自己感兴趣的信息。 比如你今天想下载一部电影看看，但当你打开某个下载网站，面对100年来发行的数不胜数的电影，你会手足无措，不知道该看哪一部。 推荐系统可以根据你以往的观影记录，为你推荐相关的电影。 推荐可以两方面入手： 基于内容的推荐 -> 相关导演、演员的其他作品； 基于协同过滤的推荐 -> 找到与自己历史兴趣相同的用户群，推荐该用户群喜欢的电影。

推荐构成：导演、演员其他作品；同类型电影。 什么是推荐系统 电影应用（豆瓣电影）： 《盗梦空间》 的推荐 推荐构成：导演、演员其他作品；同类型电影。

推荐构成：喜欢的歌曲所属专辑的其他曲目；风格类似的曲目。 什么是推荐系统 音乐应用（虾米音乐）： 推荐构成：喜欢的歌曲所属专辑的其他曲目；风格类似的曲目。

什么是推荐系统 电商应用（京东商城）： 《推荐系统实践》的推荐 推荐构成：协同过滤、属性类似的商品。

什么是推荐系统 推荐系统的本质 通过一定的方式将用户与物品联系起来。

阿里巴巴大数据竞赛 Part 2

阿里巴巴大数据竞赛 7000+参赛队伍，凸显了如今大数据方向的热门

阿里巴巴大数据竞赛 赛题介绍 在天猫，每天都会有数千万的用户通过品牌发现自己喜欢的商品，品牌是联接消费者与商品最重要的纽带。本届赛题的任务就是根据用户4个月在天猫的行为日志，建立用户的品牌偏好，并预测他们在将来一个月内对品牌下商品的购买行为。 数据： 行为日志：用户id、品牌id、用户对品牌的行为、行为时间。 用户行为：点击、购买、加入购物车、收藏。

阿里巴巴大数据竞赛 比赛形式 评估指标 设计一个推荐算法，基于算法和已有数据得出第五个月用户可能购买的品牌。 训练集：用于建立模型； 验证集：用于评估模型。 例如可以用 1-2月 的数据作为训练集，3月的数据作为验证集，以此来检验算法的效果。然后再用 3-4月 的数据作为训练集，得出推荐结果。最终提交推荐结果，由系统给出分数。 评估指标 预测的品牌准确率越高越好，也希望覆盖的用户和品牌越多越好。

阿里巴巴大数据竞赛 参赛成绩：第60名 比赛时间较长，持续4个月，比较耗时间。后劲不足，没有达到预期的成绩。 通过竞赛，对推荐算法的入门有了深入的理解与实践。

推荐算法入门 Part 3

推荐算法 阿里大数据竞赛提供的数据： 对数据的处理：提取特征 特征：推荐算法所考虑的因素，如 用户过去一个月对品牌的点击次数 行为日志：用户id、品牌id、用户对品牌的行为、行为时间。 用户行为：点击、购买、加入购物车、收藏。 对数据的处理：提取特征 特征：推荐算法所考虑的因素，如 用户过去一个月对品牌的点击次数 用户过去一个月对品牌的购买次数 品牌过去一个月的总销量 ...... 原始数据 处理后的特征数据

推荐算法 算法1：简单的推测"规律" 点击次数多，购买可能性较大； 加入购物车、收藏，购买可能性较大； 最近有浏览过的品牌，购买可能性较大； ......

点击次数与是否购买的关系

简单粗暴且有效，只要规律找的好，效果还是可以的 推荐算法 算法1：简单的推测"规律" 首先将数据转化为特征值： 点击次数 click 加入购物车 is_cart 收藏 is_fav 几天前有浏览过 days 实现1：直接利用规律 if ( this.days <=2 && this.click >= 10) then recommend(this); if ( this.is_cart && days <= 3 ) then recommend(this); .... 简单粗暴且有效，只要规律找的好，效果还是可以的

推荐算法 √ 算法1：简单的推测"规律" 实现2：设定权值，并计算分值（通过验证集找到较优权值） 点击次数 click 加入购物车 is_cart 收藏 is_fav 几天前有浏览过 days 实现2：设定权值，并计算分值（通过验证集找到较优权值） W = w1 * click + w2 * is_cart + w3 * is_fav + w4 * 1/days 例如得到一个较有权值: w1 = 0.1, w2 = 0.2, w3 = 0.2, w4 = 0.5 用户 品牌 交互数据 得分 1 133 click = 2, is_cart = 1, is_fav = 0, days = 1 1.4 2 click = 10, is_cart = 0, is_fav = 0, days = 5 1.1 √ 简单有效，实现方便，有一定效果

推荐算法 算法2：逻辑回归(Logistic regression) 公式定义 将可能性限定在0和1之间

推荐算法 算法2：逻辑回归(Logistic regression) 组成1：回归 回归是对已知公式的未知参数进行估计。 如已知公式是y = a*x + b，未知参数是 a 和 b。我们现在有很多真实的(x,y)数据（训练样本），回归就是利用这些数据对 a 和 b 的取值去自动估计。

推荐算法 算法2：逻辑回归(Logistic regression) 组成2：线性回归 如鞋子定价与鞋子销量的问题。y = a*x + b，x是价钱，y是销售量。假设它们满足线性关系，线性回归即根据往年数据找出最佳的a, b取值，使 y = a * x + b 在所有样本集上误差最小。 线性回归示例

推荐算法 算法2：逻辑回归(Logistic regression) 组成2：线性回归 如鞋子定价与鞋子销量的问题。y = a*x + b，x是价钱，y是销售量。假设它们满足线性关系，线性回归即根据往年数据找出最佳的a, b取值，使 y = a * x + b 在所有样本集上误差最小。 一元变量关系比较直观，但若是多元就难以直观的看出来了。比如说除了鞋子的价格外，鞋子的质量，广告的投入，店铺所在街区的人流量都会影响销量，我们想得到这样的公式：sell = a*x + b*y + c*z + d*γ + e。这个时候画图就画不出来了，规律也十分难找，这时就得交给线性回归程序去完成。

推荐算法 算法2：逻辑回归(Logistic regression) 组成3：Logsitic方程 上面提到的 sell 计算出来是一个数值，但我们需要的是一个[0, 1]，类似概率的值，于是引入了 Logistic 方程，来做归一化。 所以逻辑回归就是一个被Logistic方程归一化后的线性回归。 线性回归 逻辑回归

推荐算法 算法2：逻辑回归(Logistic regression) 实现：使用算法库 R语言、Python等都有逻辑回归的算法库，使用方便。最重要的还是要提取相关特征，逻辑回归的效果直接取决于特征的选取（当然，追求更好的效果就需要去优化算法的实现）。

逻辑回归代码示例

推荐算法 算法3：协同过滤(Collaborative Filtering) 基于用户的协同过滤算法是推荐系统中最古老的算法。可以不夸张地说，这个算法的诞生标志了推荐系统的诞生。 在个性化推荐系统中，当用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些相似兴趣用户喜欢的、而用户A没有听说过的物品推荐给A。这种方法称为基于用户的协同过滤算法。 基于用户的协同过滤算法主要包括两个步骤。 找到和目标用户兴趣相似的用户集合。 将这个集合中用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。 相对应的，还有基于物品的协同过滤算法，比如给喜欢《射雕英雄传》的用户推荐《天龙八部》，因为这两部作品都是武侠小说，且作者都是金庸。

推荐算法 算法3：协同过滤(Collaborative Filtering) 协同过滤算法的核心是计算相似度，以基于物品的协同过滤为例： 左边每一行代表一个用户感兴趣的物品集合 中间是某用户感兴趣物品的相似矩阵 右侧是所有用户感兴趣物品相似矩阵相加的结果 最后进行归一化就可得到一个[0,1]的物品相似度矩阵

推荐算法 算法3：协同过滤(Collaborative Filtering) 基于用户的协同过滤（User CF） (用户A和用户C都喜欢物品A、C) 基于物品的协同过滤（Item CF） (喜欢物品A的人也喜欢物品C)

基于物品的协同过滤推荐示例 给用户推荐《算法导论》，是因为这本书和《C++ Primer中文版》和《编程之美》都相似，相似度分别为 0.4 和 0.5。 而用户对《C++ Primer中文版》的兴趣度是1.3，对《编程之美》的兴趣度是0.9，那么用户对《算法导论》的兴趣度就是1.3 ×0.4 + 0.9×0.5 = 0.97。

推荐算法 逻辑回归与协同过滤的比较 最主要的一个区别是应用场景不同：逻辑回归针对的是已有交互的物品，而协同过滤则主要针对没有交互过的物品。 如购物网站的推荐系统， 逻辑回归可以推荐给用户，其浏览过且较有可能购买的商品； 协同过滤则可以推荐给用户，其未浏览过但可能感兴趣的商品。 亚马逊的图书推荐主要使用了协同过滤。

推荐算法 其他推荐算法： 随机森林(Logistic regression) 支持向量机SVM 神经网络 Slope One ......

推荐算法 总结： 介绍了阿里巴巴大数据竞赛的基本情况； 介绍了两类比较典型的推荐算法：逻辑回归和协同过滤； 推荐算法的选择和具体应用场景有很大关系，一般也涉及多种推荐算法的组合使用。 推荐算法涉及较多的数学知识，今天只是做了一个简单的介绍，可深入了解的东西还有很多。

遇到的问题 Thanks. 34