Apache Mahout中推荐算法Slope one源码分析

fmms 12年前

关于推荐引擎

        如今的互联网中,无论是电子商务还是社交网络,对数据挖掘的需求都越来越大了,而推荐引擎正是数据挖掘完美体现;通过分析用户历史行为,将他可能喜欢内容推送给他,能产生相当好的用户体验,这就是推荐引擎。

推荐算法Slope one的原理

        首先Slope one是一种基于项目的协同过滤算法(Item-based Recommendation),简单介绍这种算法(若理解有误,欢迎大家更正,I am just a beginner):根据用户们对产品的喜好程度,来将产品分类;举个简单例子:比如有10个用户,其中有9个人即喜欢产品A,也喜欢产品B,但只有2个人喜欢产品C;于是可以推断产品A和产品B是属于同类的,而产品C可能跟它们不是一类。

        好了话不多讲,让我们看看Slope one吧!

        Slope one是通过用户们对每个产品的评分,来计算产品间的一个差值;这种计算是通过 线性回归 f(x) = ax + b得到其中a = 1,正如它的名字Slope one(斜率为一);另外用户的评分,在Slope one中是必不可少的。这里举

例看看它的计算方式:下面是一张用户对书籍的评分表


 1

 2

 3

用户A

  5

  3

  2

用户B

  3

  4

未评分

用户C

未评分

  2 

  5

        

        书1是否适合推荐给用户C,需要通过Slope one 计算出一个值来判定:首先得到书1和书2之间的平均差值X = ((5-3)+(3-4))/ 2 = 0.5,然后通过用户C对书2的打分得到相应的推荐值 2+0.5 = 2.5 (推荐引擎会通过推荐值的高低来选择要推荐的物品),这里只是通过书2来计算用户C对书1的推荐值,实际的Slope one算法中若要得到用户C对书1的推荐值,会把用户C评分过的所有书按此方法依次对书1(为评分的书)算推荐值,然后取平均值得到,放到表中如下:

(((5-3)+(3-4))/ 2 +2 + (5 - 2)/ 1 + 5 )/ 2 = 5.25 

实际应用中你还可以设权值,这里就不深入了。

        以上是Slope one的原理,接下来看看它在Mahout中是如何设计与实现的。

Mahout中Slope one的设计思路以及代码实现

        先简单介绍下,Mahout是Apache的一个开源项目,由Lucene项目组和Hadoop项目组分离出来,它实现了推荐引擎中的大部分经典算法,有兴趣的朋友可以研究研究

        首先我们需要基础数据,即用户对产品的评分,这部分数据可以来自数据库也可以来自文件,Mahout中对此设计了一个简单的数据库表,SQL如下:

 CREATE TABLE taste_preferences (      user_id BIGINT NOT NULL,      item_id BIGINT NOT NULL,      preference FLOAT NOT NULL,      PRIMARY KEY (user_id, item_id),      INDEX (user_id),      INDEX (item_id)  )

        其次,Mahout在启动时,会对这部分数据进行处理,算出每对产品间的平均评分差值,已Map<ItemId, Map<ItemId, Average>>的数据结构存放在内存中(当然这帮牛人没有用Java中Map的实现,自己写了一个叫FastByIDMap的类)。处理基础数据的计算代码如下:

 1. 首先获取所有评过分的用户id (7,而dataModel就是用于存放我上面提到的基础)

 2. 然后依次计算每个用户评分过的产品间的平均评分差值 (9,具体在processOneUser中实现)

 private void buildAverageDiffs() throws TasteException {      log.info("Building average diffs...");      try {        buildAverageDiffsLock.writeLock().lock();        averageDiffs.clear();        long averageCount = 0L;        LongPrimitiveIterator it = dataModel.getUserIDs();        while (it.hasNext()) {          averageCount = processOneUser(averageCount, it.nextLong());        }                pruneInconsequentialDiffs();        updateAllRecommendableItems();              } finally {        buildAverageDiffsLock.writeLock().unlock();      }    }

 3. 首先取出该用户所有评分过的项目和评分值(4)

 4. 依次计算这些项目间的平均评分差值(6 ~ 26),并存储在内存中。

private long processOneUser(long averageCount, long userID) throws TasteException {      log.debug("Processing prefs for user {}", userID);      // Save off prefs for the life of this loop iteration      PreferenceArray userPreferences = dataModel.getPreferencesFromUser(userID);      int length = userPreferences.length();      for (int i = 0; i < length - 1; i++) {        float prefAValue = userPreferences.getValue(i);        long itemIDA = userPreferences.getItemID(i);        FastByIDMap<RunningAverage> aMap = averageDiffs.get(itemIDA);        if (aMap == null) {          aMap = new FastByIDMap<RunningAverage>();          averageDiffs.put(itemIDA, aMap);        }        for (int j = i + 1; j < length; j++) {          // This is a performance-critical block          long itemIDB = userPreferences.getItemID(j);          RunningAverage average = aMap.get(itemIDB);          if (average == null && averageCount < maxEntries) {            average = buildRunningAverage();            aMap.put(itemIDB, average);            averageCount++;          }          if (average != null) {            average.addDatum(userPreferences.getValue(j) - prefAValue);          }        }        RunningAverage itemAverage = averageItemPref.get(itemIDA);        if (itemAverage == null) {          itemAverage = buildRunningAverage();          averageItemPref.put(itemIDA, itemAverage);        }        itemAverage.addDatum(prefAValue);      }      return averageCount;    }

        以上是启动时做的事,而当某个用户来了,需要为他计算推荐列表时,就快速许多了(是一个空间换时间的思想),下面的方法是某一个用户对其某一个他未评分过的产品的推荐值,参数UserId:用户ID;ItemId:为评分的产品ID

 1. 再次取出该用户评分过的所有产品(4):PreferenceArray prefs中保存着ItemID和该用户对它的评分


2. 取得上一步得到的prefs中的所有物品与itemID代表的物品之间的平均评分差值(5),其中DiffStorage diffStorage

对象中放中每对产品间的平均评分差值(而上面启动时的计算都是在MySQLJDBCDiffStorage中实现的,计算后的

值也存于其中,它是DiffStorage接口的实现),所以取得的流程很简单,这里不贴代码了


3. 最后就是依次推算评分过的产品到未评分的产品的一个推荐值 = 平均评分差值(两者间的) + 已评分的分值(用

户对其中一个评分),然后将这些推荐值取个平均数(7 ~ 37),其中11行判断是否要考虑权重。

private float doEstimatePreference(long userID, long itemID) throws TasteException {      double count = 0.0;      double totalPreference = 0.0;      PreferenceArray prefs = getDataModel().getPreferencesFromUser(userID);      RunningAverage[] averages = diffStorage.getDiffs(userID, itemID, prefs);      int size = prefs.length();      for (int i = 0; i < size; i++) {        RunningAverage averageDiff = averages[i];        if (averageDiff != null) {          double averageDiffValue = averageDiff.getAverage();          if (weighted) {            double weight = averageDiff.getCount();            if (stdDevWeighted) {              double stdev = ((RunningAverageAndStdDev) averageDiff).getStandardDeviation();              if (!Double.isNaN(stdev)) {                weight /= 1.0 + stdev;              }              // If stdev is NaN, then it is because count is 1. Because we're weighting by count,              // the weight is already relatively low. We effectively assume stdev is 0.0 here and              // that is reasonable enough. Otherwise, dividing by NaN would yield a weight of NaN              // and disqualify this pref entirely              // (Thanks Daemmon)            }            totalPreference += weight * (prefs.getValue(i) + averageDiffValue);            count += weight;          } else {            totalPreference += prefs.getValue(i) + averageDiffValue;            count += 1.0;          }        }      }      if (count <= 0.0) {        RunningAverage itemAverage = diffStorage.getAverageItemPref(itemID);        return itemAverage == null ? Float.NaN : (float) itemAverage.getAverage();      } else {        return (float) (totalPreference / count);      }    }

         Slope one 的源码已分析完毕。

        其实Slope one推荐算法很流行,被很多网站使用,包括一些大型网站;我个人认为最主要的原因是它具备如下优势:

        1. 实现简单并且易于维护。

        2. 响应即时(只要用户做出一次评分,它就能有效推荐,根据上面代码很容易理解),并且用户的新增评分对推荐数据的改变量较小,应为在内存中存储的是物品间的平均差值,新增的差值只需累加一下,切范围是用户评分过的产品。

        3. 由于是基于项目的协同过滤算法,适用于当下火热的电子商务网站,原因电子商务网站用户量在几十万到上百万,产品量相对于之则要小得多,所以对产品归类从性能上讲很高效。

        分析至此,祝大家周末愉快。

参考资料:

1. Slope one http://zh.wikipedia.org/wiki/Slope_one

2. 探索推荐引擎内部的秘密,第 2 部分: 深入推荐引擎相关算法 - 协同过滤 

    http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy2/index.html

3. Apache Mahout 源代码