《大數(shù)據(jù)技術(shù)原理與應(yīng)用》

大數(shù)據(jù)技術(shù)原理與應(yīng)用》/post/bigdata溫馨提示:編輯幻燈片母版,可以修改每頁(yè)P(yáng)PT的廈大?；蘸偷撞课淖值?1章大數(shù)據(jù)在互聯(lián)網(wǎng)領(lǐng)域的應(yīng)用提綱11.1推薦系統(tǒng)概述11?2推薦算法-協(xié)同過(guò)濾11?3協(xié)同過(guò)濾實(shí)踐-電影推薦系統(tǒng)本PPT是如下教材的配套講義：21世紀(jì)高等教育計(jì)算機(jī)規(guī)劃教材《大數(shù)據(jù)技術(shù)原理與應(yīng)用——概念、存儲(chǔ)、處理、分析與應(yīng)用》（2015年6月第1版）廈門(mén)大學(xué)林子雨編著，人民郵電出版社ISBN:978-7-115-39287-9歡迎訪問(wèn)《大數(shù)據(jù)技術(shù)原理與應(yīng)用》教材官方網(wǎng)站：/post/bigdata?11.1.1?11.1.2?11.1.1?11.1.2?11.1.3?11.1.4?11.1.5?互聯(lián)網(wǎng)的飛速發(fā)展使我們進(jìn)入了信息過(guò)載的時(shí)代，搜索引擎可以幫助我們查找內(nèi)容，但只能解決明確的需求?為了讓用戶(hù)從海量信息中高效地獲得自己所需的信息，推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)是大數(shù)據(jù)在互聯(lián)網(wǎng)領(lǐng)域的典型應(yīng)用，它可以通過(guò)分析用戶(hù)的歷史記錄來(lái)了解用戶(hù)的喜好，從而主動(dòng)為用戶(hù)推薦其感興趣的信息，滿(mǎn)足用戶(hù)的個(gè)性化推薦需求?“長(zhǎng)尾”概念于2004年提出，用來(lái)描述以亞馬遜為代表的電子商務(wù)網(wǎng)站的商業(yè)和經(jīng)濟(jì)模式?電子商務(wù)網(wǎng)站銷(xiāo)售種類(lèi)繁多，雖然絕大多數(shù)商品都不熱門(mén)，但這些不熱門(mén)的商品總數(shù)量極其龐大，所累計(jì)的總銷(xiāo)售額將是一個(gè)可觀的數(shù)字，也許會(huì)超過(guò)熱門(mén)商品所帶來(lái)的銷(xiāo)售額?因此，可以通過(guò)發(fā)掘長(zhǎng)尾商品并推薦給感興趣的用戶(hù)來(lái)提高銷(xiāo)售額。這需要通過(guò)個(gè)性化推薦來(lái)實(shí)現(xiàn)?熱門(mén)推薦是常用的推薦方式，廣泛應(yīng)用于各類(lèi)網(wǎng)站中，如熱門(mén)排行榜。但熱門(mén)推薦的主要缺陷在于推薦的范圍有限，所推薦的內(nèi)容在一定時(shí)期內(nèi)也相對(duì)固定?個(gè)性化推薦可通過(guò)推薦系統(tǒng)來(lái)實(shí)現(xiàn)。推薦系統(tǒng)通過(guò)發(fā)掘用戶(hù)的行為記錄，找到用戶(hù)的個(gè)性化需求，發(fā)現(xiàn)用戶(hù)潛在的消費(fèi)傾向，從而將長(zhǎng)尾商品準(zhǔn)確地推薦給需要它的用戶(hù)，進(jìn)而提升銷(xiāo)量，實(shí)現(xiàn)用戶(hù)與商家的雙贏?推薦系統(tǒng)的本質(zhì)是建立用戶(hù)與物品的聯(lián)系，根據(jù)推薦算法的不同，推薦方法包括如下幾類(lèi)：-專(zhuān)家推薦：人工推薦，由資深的專(zhuān)業(yè)人士來(lái)進(jìn)行物品的篩選和推薦，需要較多的人力成本-基于統(tǒng)計(jì)的推薦：基于統(tǒng)計(jì)信息的推薦（如熱門(mén)推薦），易于實(shí)現(xiàn)，但對(duì)用戶(hù)個(gè)性化偏好的描述能力較弱-基于內(nèi)容的推薦：通過(guò)機(jī)器學(xué)習(xí)的方法去描述內(nèi)容的特征，并基于內(nèi)容的特征來(lái)發(fā)現(xiàn)與之相似的內(nèi)容-協(xié)同過(guò)濾推薦：應(yīng)用最早和最為成功的推薦方法之一，利用與目標(biāo)用戶(hù)相似的用戶(hù)已有的商品評(píng)價(jià)信息，來(lái)預(yù)測(cè)目標(biāo)用戶(hù)對(duì)特定商品的喜好程度-混合推薦：結(jié)合多種推薦算法來(lái)提升推薦效果

一個(gè)完整的推薦系統(tǒng)通常包括3個(gè)組成模塊：用戶(hù)建模模塊、推薦對(duì)象建模模塊、推薦算法模塊：-用戶(hù)建模模塊：對(duì)用戶(hù)進(jìn)行建模，根據(jù)用戶(hù)行為數(shù)據(jù)和用戶(hù)屬性數(shù)據(jù)來(lái)分析用戶(hù)的興趣和需求-推薦對(duì)象建模模塊：根據(jù)對(duì)象數(shù)據(jù)對(duì)推薦對(duì)象進(jìn)行建模-推薦算法模塊：基于用戶(hù)特征和物品特征，采用推薦算法計(jì)算得到用戶(hù)可能感興趣的對(duì)象，并根據(jù)推薦場(chǎng)景對(duì)推薦結(jié)果進(jìn)行一定調(diào)整，將推薦結(jié)果最終展示給用戶(hù)?目前在推薦系統(tǒng)已廣泛應(yīng)用于電子商務(wù)、在線視頻、在線音樂(lè)、社交網(wǎng)絡(luò)等各類(lèi)網(wǎng)站和應(yīng)用中?如亞馬遜網(wǎng)站利用用戶(hù)的瀏覽歷史記錄來(lái)為用戶(hù)推薦商品，推薦的主要是用戶(hù)未瀏覽過(guò)，但可能感興趣、有潛在購(gòu)買(mǎi)可能性的商品圖11-2亞馬遜網(wǎng)站根據(jù)用戶(hù)的瀏覽記錄來(lái)推薦商品

?推薦系統(tǒng)在在線音樂(lè)應(yīng)用中也逐漸發(fā)揮作用。音樂(lè)相比于電影數(shù)量更

為龐大，個(gè)人口味偏向也更為明顯，僅依靠熱門(mén)推薦是遠(yuǎn)遠(yuǎn)不夠的?蝦米音樂(lè)網(wǎng)根據(jù)用戶(hù)的音樂(lè)收藏記錄來(lái)分析用戶(hù)的音樂(lè)偏好，以進(jìn)行

推薦。例如，推薦同一風(fēng)格的歌曲，或是推薦同一歌手的其他歌曲RomanceJewelBoxRomanceGovt

11.211.2協(xié)同過(guò)濾?推薦技術(shù)從被提出到現(xiàn)在已有十余年，在多年的發(fā)展歷程中誕生了很多新的推薦算法。協(xié)同過(guò)濾作為最早、最知名的推薦算法，不僅在學(xué)術(shù)界得到了深入研究，而且至今在業(yè)界仍有廣泛的應(yīng)用?協(xié)同過(guò)濾可分為基于用戶(hù)的協(xié)同過(guò)濾和基于物品的協(xié)同過(guò)濾11.2.1 基于用戶(hù)的協(xié)同過(guò)濾（UserCF）11.2.2 基于物品的協(xié)同過(guò)濾（ItemCF）11.2.3 UserCF算法和ItemCF算法的對(duì)比基于用戶(hù)的協(xié)同過(guò)濾算法（簡(jiǎn)稱(chēng)UserCF算法）在1992年被提出，是推薦系統(tǒng)中最古老的算法UserCF算法符合人們對(duì)于“趣味相投”的認(rèn)知，即興趣相似的用戶(hù)往往有相同的物品喜好：當(dāng)目標(biāo)用戶(hù)需要個(gè)性化推薦時(shí)，可以先找到和目標(biāo)用戶(hù)有相似興趣的用戶(hù)群體，然后將這個(gè)用戶(hù)群體喜歡的、而目標(biāo)用戶(hù)沒(méi)有聽(tīng)說(shuō)過(guò)的物品推薦給目標(biāo)用戶(hù)UserCF算法的實(shí)現(xiàn)主要包括兩個(gè)步驟：-第一步：找到和目標(biāo)用戶(hù)興趣相似的用戶(hù)集合-第二步：找到該集合中的用戶(hù)所喜歡的、且目標(biāo)用戶(hù)沒(méi)有聽(tīng)說(shuō)過(guò)的物品推薦給目標(biāo)用戶(hù)

?實(shí)現(xiàn)UserCF算法的關(guān)鍵步驟是計(jì)算用戶(hù)與用戶(hù)之間的興趣相似度。目前較多使用的相似度算法有：一泊松相關(guān)系數(shù)(PersonCorrelationCoefficient)一余弦相似度(Cosine-basedSimilarity)一調(diào)整余弦相似度(AdjustedCosineSimilarity)?給定用戶(hù)u和用戶(hù)v,令N(u)表示用戶(hù)u感興趣的物品集合，令N(v)為用戶(hù)v感興趣的物品集合，則使用余弦相似度進(jìn)行計(jì)算用戶(hù)相似度的公式為：w二|N3)riN(訓(xùn)

心一J|N(訓(xùn)|N(訓(xùn)

?由于很多用戶(hù)相互之間并沒(méi)有對(duì)同樣的物品產(chǎn)生過(guò)行為，因此其相似度公式的分子為0，相似度也為0?我們可以利用物品到用戶(hù)的倒排表(每個(gè)物品所對(duì)應(yīng)的、對(duì)該物品感興趣的用戶(hù)列表)，僅對(duì)有對(duì)相同物品產(chǎn)生交互行為的用戶(hù)進(jìn)行計(jì)算圖11-5物品到用戶(hù)倒排表及用戶(hù)相似度矩陣?得到用戶(hù)間的相似度后，再使用如下公式來(lái)度量用戶(hù)u對(duì)物品i的興趣程度Pui:vES(u,K)r\N(i)?其中，S(u,K)是和用戶(hù)u興趣最接近的K個(gè)用戶(hù)的集合，N(i)是喜歡物品啲用戶(hù)集合，Wu提用戶(hù)u和用戶(hù)v的相似度，心是隱反饋信息，代表用戶(hù)v對(duì)物品i的感興趣程度，為簡(jiǎn)化計(jì)算可令rvi=1?對(duì)所有物品計(jì)算Pui后，可以對(duì)Pui進(jìn)行降序處理，取前N個(gè)物品作為推薦結(jié)果展示給用戶(hù)u(稱(chēng)為T(mén)op-N推薦)基于物品的協(xié)同過(guò)濾算法（簡(jiǎn)稱(chēng)ItemCF算法）是目前業(yè)界應(yīng)用最多的算法。無(wú)論是亞馬遜還是Netflix,其推薦系統(tǒng)的基礎(chǔ)都是ItemCF算法ItemCF算法是給目標(biāo)用戶(hù)推薦那些和他們之前喜歡的物品相似的物品。ItemCF算法主要通過(guò)分析用戶(hù)的行為記錄來(lái)計(jì)算物品之間的相似度?該算法基于的假設(shè)是：物品A和物品B具有很大的相似度是因?yàn)橄矚g物品A的用戶(hù)大多也喜歡物品B。例如，該算法會(huì)因?yàn)槟阗?gòu)買(mǎi)過(guò)《數(shù)據(jù)挖掘?qū)д摗范o你推薦《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》,因?yàn)橘I(mǎi)過(guò)《數(shù)據(jù)挖掘?qū)д摗返挠脩?hù)多數(shù)也購(gòu)買(mǎi)了《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》

ItemCF算法與UserCF算法類(lèi)似，計(jì)算也分為兩步：-第一步：計(jì)算物品之間的相似度；-第二步：根據(jù)物品的相似度和用戶(hù)的歷史行為，給用戶(hù)生成推薦列表。ItemCF計(jì)算的是物品相似度，再使用如下公式來(lái)度量用戶(hù)u對(duì)物品j的興趣程度Puj（與UserCF類(lèi)似）：如?= Z叭iGN（u）r\SO^）

11.2.3UserCF算法和ItemCF算法的對(duì)比UserCF算法和ItemCF算法的思想、計(jì)算過(guò)程都相似兩者最主要的區(qū)別：-UserCF算法推薦的是那些和目標(biāo)用戶(hù)有共同興趣愛(ài)好的其他用戶(hù)所喜歡的物品-ItemCF算法推薦的是那些和目標(biāo)用戶(hù)之前喜歡的物品類(lèi)似的其他物品?UserCF算法的推薦更偏向社會(huì)化，而ItemCF算法的推薦更偏向于個(gè)性化

11.2.3UserCF算法和ItemCF算法的對(duì)比UserCF算法的推薦更偏向社會(huì)化：適合應(yīng)用于新聞推薦、微博話題推薦等應(yīng)用場(chǎng)景，其推薦結(jié)果在新穎性方面有一定的優(yōu)勢(shì)UserCF缺點(diǎn)：隨著用戶(hù)數(shù)目的增大，用戶(hù)相似度計(jì)算復(fù)雜度越來(lái)越高。而且UserCF推薦結(jié)果相關(guān)性較弱，難以對(duì)推薦結(jié)果作出解釋?zhuān)菀资艽蟊娪绊懚扑]熱門(mén)物品ItemCF算法的推薦更偏向于個(gè)性化：適合應(yīng)用于電子商務(wù)、電影、圖書(shū)等應(yīng)用場(chǎng)景，可以利用用戶(hù)的歷史行為給推薦結(jié)果作出解釋?zhuān)層脩?hù)更為信服推薦的效果ItemCF缺點(diǎn)：傾向于推薦與用戶(hù)已購(gòu)買(mǎi)商品相似的商品，往往會(huì)出現(xiàn)多樣性不足、推薦新穎度較低的問(wèn)題?11.3.1?11.3.1?11.3.2?11.3.3?11.3.4?11.3.5實(shí)踐背景數(shù)據(jù)處理計(jì)算相似度矩陣計(jì)算推薦結(jié)果展示推薦結(jié)果?我們選擇以MovieLens公開(kāi)數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，采用ItemCF算法，使用Python語(yǔ)言來(lái)實(shí)現(xiàn)一個(gè)簡(jiǎn)易的電影推薦系統(tǒng)具體采用的MovieLens100k數(shù)據(jù)集包括了1000名用戶(hù)對(duì)1700部電影的評(píng)分記錄，每個(gè)用戶(hù)都至少對(duì)20部電影進(jìn)行過(guò)評(píng)分，一共有100000條電影評(píng)分記錄基于這個(gè)數(shù)據(jù)集，我們解決的是一個(gè)評(píng)分預(yù)測(cè)問(wèn)題，即如何通過(guò)已知的用戶(hù)評(píng)分記錄來(lái)預(yù)測(cè)未知的用戶(hù)評(píng)分對(duì)于用戶(hù)未進(jìn)行評(píng)分的電影，我們希望能夠預(yù)測(cè)出一個(gè)評(píng)分，而這個(gè)評(píng)分反過(guò)來(lái)也可以用于猜測(cè)用戶(hù)是否會(huì)喜歡這部電影，從而決定是否給用戶(hù)推薦該電影

?用戶(hù)對(duì)電影評(píng)分的數(shù)據(jù)格式如下，包含了用戶(hù)ID、電影ID、評(píng)分、評(píng)分時(shí)間戳?通過(guò)評(píng)分?jǐn)?shù)據(jù)，我們便可以采用如余弦相似度來(lái)計(jì)算用戶(hù)之間的相似度用戶(hù)ID電影ID評(píng)分評(píng)分時(shí)間戳1962423SS12509491063023S91717742223771S78SS71162445128S06069231663461SS63975962984744SS41S2S061152S528S11714S82534655S9162S4673054513SS6324S176B63SS3603013圖11-8用戶(hù)對(duì)電影的評(píng)分?jǐn)?shù)據(jù)?具體實(shí)現(xiàn)流程如下（具體代碼見(jiàn)教材）：預(yù)處理：讀取數(shù)據(jù)，提取評(píng)分計(jì)算相似度：使用余弦相似度計(jì)算電影間的相似度計(jì)算推薦結(jié)果：針對(duì)目標(biāo)用戶(hù)，對(duì)該用戶(hù)未評(píng)分的電影計(jì)算預(yù)測(cè)評(píng)分展示推薦結(jié)果：對(duì)計(jì)算的評(píng)分進(jìn)行降序排序，取Top-N個(gè)結(jié)果，作為最終的推薦結(jié)果

?例如我們對(duì)用戶(hù)ID為1的用戶(hù)，取10個(gè)推薦結(jié)果如下：film:T辻anic(1997),rating:3.89483842578film:AirForceOne(1997),rating:3.86732319398film:L.A.Confidential(1997), rating:3.8255074736film:WinterGuest,The(1997), rating:3.77287384289film:Postman,The(1997),rating:3.7726583083film:WagtheDog(1997),rating:3.76181477552film:FireDownBelow(1997),rating:3.75018044393film:AnnaKarenina(1997),rating:3.74833946959film:LeavingLasVegas(1995), rating:3.74818188227film:ShadowConspiracy(1997), rating:3.7351481072圖11-10推薦結(jié)果

本章小結(jié)本章小結(jié)本章內(nèi)容首先介紹了推薦系統(tǒng)的概念，推薦系統(tǒng)可幫助用戶(hù)從海量信息中高效地獲得自己所需的信息接著介紹了不同的推薦方法以及推薦系統(tǒng)在電子商務(wù)、在線音樂(lè)等網(wǎng)站中的具體應(yīng)用本章重點(diǎn)介紹了協(xié)同過(guò)濾算法，協(xié)同過(guò)濾算法是最早推出的推薦算法算法思想相近，核心是計(jì)算用戶(hù)、物品的相似度，依據(jù)相似度來(lái)做出推薦rCF算法思想相近，核心是計(jì)算用戶(hù)、物品的相似度，依據(jù)相似度來(lái)做出推薦rCF適合這兩種應(yīng)用1過(guò)作出各自適合的應(yīng)用場(chǎng)C不則適合用于升推薦效果簡(jiǎn)易的后通過(guò)薦系統(tǒng)體深實(shí)對(duì)推介系了的何使用嘰。n語(yǔ)言實(shí)現(xiàn)一個(gè)

附錄：主講教師主講教師：林子雨單位：廈門(mén)大學(xué)計(jì)算機(jī)科學(xué)系附錄：主講教師主講教師：林子雨E-mail:ziyulin@個(gè)人網(wǎng)頁(yè)：/linziyu數(shù)據(jù)庫(kù)實(shí)驗(yàn)室網(wǎng)站：林子雨，男，1978年出生，博士（畢業(yè)于北京大學(xué)），現(xiàn)為廈門(mén)大學(xué)計(jì)算機(jī)科學(xué)系助理教授（講師），曾任廈門(mén)大學(xué)信息科學(xué)與技術(shù)學(xué)院院長(zhǎng)助理、晉江市發(fā)展和改革局副局長(zhǎng)。中國(guó)高校首個(gè)“數(shù)字教師”提出者和建設(shè)者，廈門(mén)大學(xué)數(shù)據(jù)庫(kù)實(shí)驗(yàn)室負(fù)責(zé)人，廈門(mén)大學(xué)云計(jì)算與大數(shù)據(jù)研究中心主要建設(shè)者和骨干成員，2013年度廈門(mén)大學(xué)獎(jiǎng)教金獲得者。主要研究方向?yàn)閿?shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)挖掘、大數(shù)據(jù)、云計(jì)算和物聯(lián)網(wǎng)，編著出版中國(guó)高校第一本系統(tǒng)介紹大數(shù)據(jù)知識(shí)的專(zhuān)業(yè)教材《大數(shù)據(jù)技術(shù)原理與應(yīng)用》并成為暢銷(xiāo)書(shū)籍，編著并免費(fèi)網(wǎng)絡(luò)發(fā)布40余萬(wàn)字中國(guó)高校第一本閃存數(shù)據(jù)庫(kù)研究專(zhuān)著《閃存數(shù)據(jù)庫(kù)概念與技術(shù)》；主講廈門(mén)大學(xué)計(jì)算機(jī)系本科生課程《數(shù)據(jù)庫(kù)系統(tǒng)原理》和研究生課程《分布式數(shù)據(jù)庫(kù)》《大數(shù)據(jù)技術(shù)基礎(chǔ)》。具有豐富的政府和企業(yè)信息化培訓(xùn)經(jīng)驗(yàn)，曾先后給中國(guó)移動(dòng)通信集團(tuán)公司、福州馬尾區(qū)政府、福建省物聯(lián)網(wǎng)科學(xué)研究院、石獅市物流協(xié)會(huì)、廈門(mén)市物流協(xié)會(huì)、福建龍巖卷煙廠等多家單位和企業(yè)開(kāi)展信息化培訓(xùn)，累計(jì)培訓(xùn)人數(shù)達(dá)2000人以上。附錄：大數(shù)據(jù)學(xué)習(xí)教材推薦附錄：大數(shù)據(jù)學(xué)習(xí)教材推薦《大數(shù)據(jù)技術(shù)原理與應(yīng)用——概念、存儲(chǔ)、處理、分析與應(yīng)用》，由廈門(mén)大學(xué)計(jì)算機(jī)科學(xué)系林子雨博士編著，是中國(guó)高校第一本系統(tǒng)介紹大數(shù)據(jù)知識(shí)的專(zhuān)業(yè)教材。全書(shū)共有13章，系統(tǒng)地論述了大數(shù)據(jù)的基本概念、大數(shù)據(jù)處理架構(gòu)Hadoop、分布式文件系統(tǒng)HDFS、分布式數(shù)據(jù)庫(kù)HBase、NoSQL數(shù)據(jù)庫(kù)、云數(shù)據(jù)