Всего за 690 руб. Купить полную версию
2.4. Рекомендательные системы
Рекомендательные системы являются важным инструментом в современном бизнесе, позволяющим предлагать пользователям персонализированные рекомендации товаров, услуг, контента и других элементов. Они основаны на алгоритмах машинного обучения, которые анализируют данные о предпочтениях и поведении пользователей для предсказания их предпочтений и предлагают соответствующие рекомендации.
Одной из основных целей рекомендательных систем является улучшение удовлетворенности пользователей и повышение конверсии. Путем предоставления релевантных и интересных рекомендаций, системы могут помочь пользователям находить нужные товары или контент, сэкономив их время и упростив процесс выбора. Также рекомендации способствуют удержанию пользователей и повторным покупкам, что в свою очередь может привести к увеличению выручки и прибыли компании.
Рекомендательные системы могут быть применены в различных отраслях, включая электронную коммерцию, медиа, социальные сети и другие. В электронной коммерции, например, они могут предлагать рекомендации товаров, основанные на истории покупок или просмотрах пользователей, а также использовать коллаборативную фильтрацию для нахождения схожих пользователей и предлагать им рекомендации, основанные на предпочтениях похожих пользователей.
Коллаборативная фильтрация
Одним из наиболее распространенных алгоритмов, используемых в рекомендательных системах, является коллаборативная фильтрация. Этот метод основан на предположении, что если два пользователя проявили схожие предпочтения в прошлом, то они будут иметь схожие предпочтения и в будущем. Коллаборативная фильтрация использует матрицу оценок пользователей (например, оценки фильмов или товаров) для нахождения схожих пользователей или схожих товаров и рекомендует пользователю те элементы, которые оценили похожие пользователи.
Пример программы, реализующей коллаборативную фильтрацию для рекомендаций фильмов:
```python
import numpy as np
# Пример матрицы оценок пользователей
ratings = np.array([
[5, 4, 0, 0, 0, 0],
[0, 0, 4, 0, 5, 0],
[0, 0, 0, 2, 4, 5],
[4, 0, 0, 0, 0, 4]
])
# Вычисление схожести пользователей на основе корреляции Пирсона
def compute_similarity(user1, user2):
mask = np.logical_and(user1 != 0, user2 != 0)
if np.sum(mask) == 0:
return 0
return np.corrcoef(user1[mask], user2[mask])[0, 1]
# Функция рекомендации фильмов для пользователя
def recommend_movies(user_id, ratings, num_recommendations=5):
num_users, num_movies = ratings.shape
# Вычисление схожести пользователя с остальными пользователями
similarities = []
for i in range(num_users):
if i != user_id:
similarity = compute_similarity(ratings[user_id], ratings[i])
similarities.append((i, similarity))
similarities.sort(key=lambda x: x[1], reverse=True)
# Выбор топ-N наиболее похожих пользователей
top_similar_users = [similarity[0] for similarity in similarities[:num_recommendations]]
# Получение рекомендаций на основе оценок похожих пользователей
recommendations = np.zeros(num_movies)
for user in top_similar_users:
recommendations += ratings[user]
recommendations = np.where(ratings[user_id] == 0, recommendations, 0)
top_movies = np.argsort(recommendations)[::-1][:num_recommendations]
return top_movies
# Пример использования
user_id = 0
recommended_movies = recommend_movies(user_id, ratings)
print(f"Рекомендованные фильмы для пользователя {user_id}:")
for movie_id in recommended_movies:
print(f"Фильм {movie_id}")
```
В данном примере используется матрица оценок пользователей `ratings`, где каждая строка соответствует пользователю, а каждый столбец соответствует фильму. Оценки фильмов могут принимать значения от 0 до 5, где 0 обозначает отсутствие оценки.
Функция `compute_similarity` вычисляет схожесть пользователей на основе корреляции Пирсона. Она сравнивает оценки двух пользователей, игнорируя нулевые значения, и вычисляет коэффициент корреляции.
Функция `recommend_movies` принимает идентификатор пользователя и матрицу оценок в качестве входных данных. Она вычисляет схожесть пользователя с остальными пользователями, выбирает топ-N наиболее похожих пользователей и выдает рекомендации на основе их оценок.
Пример использования демонстрирует, как получить рекомендации фильмов для определенного пользователя. Результатом программы является список идентификаторов фильмов, которые рекомендуется пользователю с указанным идентификатором.
Заметьте, что в данном примере использована простая реализация коллаборативной фильтрации. В реальных приложениях рекомендательных систем может потребоваться более сложные алгоритмы и обработка больших объемов данных.
Пример более сложной реализации коллаборативной фильтрации с использованием алгоритма Singular Value Decomposition (SVD) для рекомендаций фильмов:
import numpy as np
from scipy.sparse import csr_matrix
from scipy.sparse.linalg import svds
# Пример матрицы оценок пользователей
ratings = np.array([
[5.0, 4.0, 0.0, 0.0, 0.0, 0.0],
[0.0, 0.0, 4.0, 0.0, 5.0, 0.0],
[0.0, 0.0, 0.0, 2.0, 4.0, 5.0],
[4.0, 0.0, 0.0, 0.0, 0.0, 4.0]
])
# Выполнение сингулярного разложения (SVD)
def perform_svd(ratings, k):
# Преобразование матрицы оценок в разреженную матрицу
sparse_ratings = csr_matrix(ratings)
# Применение SVD для получения матриц U, Sigma и Vt
U, Sigma, Vt = svds(sparse_ratings, k)
# Построение диагональной матрицы Sigma
Sigma = np.diag(Sigma)
return U, Sigma, Vt
# Функция рекомендации фильмов для пользователя
def recommend_movies(user_id, ratings, U, Sigma, Vt, num_recommendations=5):
user_ratings = ratings[user_id]
predicted_ratings = np.dot(np.dot(U[user_id, :], Sigma), Vt)
# Исключение уже оцененных фильмов из рекомендаций
predicted_ratings[user_ratings != 0] = -1
top_movies = np.argsort(predicted_ratings)[::-1][:num_recommendations]
return top_movies
# Пример использования
user_id = 0
k = 2 # Размерность скрытого пространства
U, Sigma, Vt = perform_svd(ratings, k)
recommended_movies = recommend_movies(user_id, ratings, U, Sigma, Vt)
print(f"Рекомендуемые фильмы для пользователя {user_id}:")
for movie_id in recommended_movies:
print(f"Фильм {movie_id}")
```
В данном примере используется алгоритм Singular Value Decomposition (SVD) для выполнения сингулярного разложения матрицы оценок пользователей. Полученные матрицы U, Sigma и Vt представляют собой аппроксимацию исходной матрицы оценок с использованием латентного пространства низкой размерности.
Функция `perform_svd` выполняет сингулярное разложение матрицы оценок с помощью функции `svds` из модуля `scipy.sparse.linalg`. Разложение возвращает матрицы U, Sigma и Vt.
Функция `recommend_movies` принимает идентификатор пользователя, матрицу оценок, а также матрицы U, Sigma и Vt в качестве аргументов. Она вычисляет предсказанные оценки для пользователя и рекомендует фильмы, имеющие наивысшие предсказанные оценки, исключая уже оцененные фильмы.
В приведенном примере выводится список рекомендованных фильмов для пользователя с идентификатором 0. Количество рекомендаций задается параметром `num_recommendations`.
Singular Value Decomposition (SVD), или Сингулярное разложение, является мощным алгоритмом линейной алгебры, который используется в различных областях, включая рекомендательные системы, сжатие данных, обработку изображений и многие другие.
Сингулярное разложение позволяет представить матрицу в виде произведения трех матриц: U, Sigma и Vt. Формально, для матрицы A размерности m x n SVD определяется следующим образом: