boh*_*ohr 7 python recommendation-engine cold-start matrix-factorization
我记得lightfm的一个优点是模型没有冷启动问题,用户和物品冷启动:lightfm原纸
但是,我仍然不明白如何使用lightfm来解决冷启动问题.我训练了我的模特user-item interaction data.据我所知,我只能对我的数据集上存在的profile_ids进行预测.
def predict(self, user_ids, item_ids, item_features=None,
user_features=None, num_threads=1):
"""
Compute the recommendation score for user-item pairs.
Arguments
---------
user_ids: integer or np.int32 array of shape [n_pairs,]
single user id or an array containing the user ids for the
user-item pairs for which a prediction is to be computed
item_ids: np.int32 array of shape [n_pairs,]
an array containing the item ids for the user-item pairs for which
a prediction is to be computed.
user_features: np.float32 csr_matrix of shape [n_users, n_user_features], optional
Each row contains that user's weights over features.
item_features: np.float32 csr_matrix of shape [n_items, n_item_features], optional
Each row contains that item's weights over features.
num_threads: int, optional
Number of parallel computation threads to use. Should
not be higher than the number of physical cores.
Returns
-------
np.float32 array of shape [n_pairs,]
Numpy array containing the recommendation scores for pairs defined
by the inputs.
"""
self._check_initialized()
if not isinstance(user_ids, np.ndarray):
user_ids = np.repeat(np.int32(user_ids), len(item_ids))
assert len(user_ids) == len(item_ids)
if user_ids.dtype != np.int32:
user_ids = user_ids.astype(np.int32)
if item_ids.dtype != np.int32:
item_ids = item_ids.astype(np.int32)
n_users = user_ids.max() + 1
n_items = item_ids.max() + 1
(user_features,
item_features) = self._construct_feature_matrices(n_users,
n_items,
user_features,
item_features)
lightfm_data = self._get_lightfm_data()
predictions = np.empty(len(user_ids), dtype=np.float64)
predict_lightfm(CSRMatrix(item_features),
CSRMatrix(user_features),
user_ids,
item_ids,
predictions,
lightfm_data,
num_threads)
return predictions
任何建议或指示,以帮助我的理解将真的很感激.谢谢
这对我有用：
if user_index is not None:
predictions = model.predict([user_index, ], np.array(target_item_indices))
else:
predictions = model.predict(0, np.array(target_item_indices), user_features=user_features)
这里user_features是一个稀疏数组，它是根据训练模型时使用的特征集精心组装而成的。
例如，如果我获得了一个新用户，并且该用户的功能类似于user_feature_list = ["id-2837", "Cape Town", "Woodstock", 7700]，那么我将按如下方式构建功能数组：
from scipy import sparse
user_feature_map = store_model.user_feature_map # the feature map was persisted during the previous round of offline training
num_features = len(user_feature_list)
normalised_val = 1.0 / num_features
target_indices = []
for feature in user_feature_list:
try:
target_indices.append(user_feature_map[feature])
except KeyError:
print("new user feature encountered '{}'".format(feature))
pass
print("target indices: {}".format(target_indices))
user_features = np.zeros(len(user_feature_map.keys()))
for i in target_indices:
user_features[i] = normalised_val
user_features = sparse.csr_matrix(user_features)
将user_feature_map通过调用LightFM的先前生成的mapping()原始输入数据集法，拟合后：
dataset.fit(
unique_user_ids,
unique_item_ids,
item_features=item_feature_list,
user_features=user_feature_list
)
user_id_map, user_feature_map, item_id_map, item_feature_map = dataset.mapping()
像其他任何推荐算法一样，如果未给LightFM提供有关这些用户的其他信息，则LightFM无法对其做出预测。尝试为新用户提供建议时，技巧是根据算法在训练过程中看到的功能来描述它们。
最好用一个例子来解释。假设您的训练集中有ID在0到10之间的用户，并且您要对新用户ID 11进行预测。如果您拥有的只是新用户的ID，则该算法将无法进行预测：毕竟，它不了解用户11的偏好是什么。但是，假设您具有一些描述用户的功能：也许在注册过程中，每个用户都会选择他们拥有的许多兴趣（例如，恐怖电影或浪漫喜剧）。如果在训练过程中存在这些功能，则该算法可以了解平均而言哪些偏好与这些特征相关联，并且能够为可以使用相同特征描述的任何新用户提供推荐。在这个例子中
在LightFM实现中，所有这些特征都将以特征矩阵的形式进行编码，可能采用一键编码的形式。在为用户11提出建议时，您将为该用户构造一个新的特征矩阵：只要该特征矩阵仅包含训练过程中存在的特征，就可以进行预测。
请注意，具有仅与单个用户相对应的功能通常是有用的-因此，“ Is user 0”功能，“ Is user 1”功能等等。在新用户的情况下，这样的功能是没有用的，因为在训练中没有任何信息可供模型用来了解该功能。