推荐算法在互联网行业的应用非常广泛，今日头条、美团点评等都有个性化推荐，推荐算法抽象来讲，是一种对于内容满意度的拟合函数，涉及到用户特征和内容特征，作为模型训练所需维度的两大来源，而点击率，页面停留时间，评论或下单等都可以作为一个量化的 Y 值，这样就可以进行特征工程，构建出一个数据集，然后选择一个合适的监督学习算法进行训练，得到模型后，为客户推荐偏好的内容，如头条的话，就是咨询和文章，美团的就是生活服务内容。

可选择的模型很多，如协同过滤，逻辑斯蒂回归，基于DNN的模型，FM等。我们使用的方式是，基于内容相似度计算进行召回，之后通过FM模型和逻辑斯蒂回归模型进行精排推荐，下面就分别说一下，我们做这个电影推荐系统过程中，从数据准备，特征工程，到模型训练和应用的整个过程。

我们实现的这个电影推荐系统，爬取的数据实际上维度是相对少的，特别是用户这一侧的维度，正常推荐系统涉及的维度，诸如页面停留时间，点击频次，收藏等这些维度都是没有的，以及用户本身的维度也相对要少，没有地址、年龄、性别等这些基本的维度，这样我们爬取的数据只有打分和评论这些信息，所以之后我们又从这些信息里再拿出一些统计维度来用。我们爬取的电影数据(除电影详情和图片信息外)是如下这样的形式：

这里的数据是有冗余的，又通过如下的代码，对数据进行按维度合并，去除冗余数据条目：

# 处理主函数，负责将多个冗余数据合并为一条电影数据，将地区，导演，主演，类型，特色等维度数据合并def mainfunc(): try: unable_list = [] with connection.cursor() as cursor: sql='select id,name from movie' cout=cursor.execute(sql) print("数量： "+str(cout)) for row in cursor.fetchall(): #print(row[1]) movieinfo = df[df['电影名'] == row[1]] if movieinfo.shape[0] == 0: disable_movie(row[0]) print('disable movie ' + str(row[1])) else: g = lambda x:movieinfo[x].iloc[0] types = movieinfo['类型'].tolist() types = reduce(lambda x,y:x+'|'+y,list(set(types))) traits = movieinfo['特色'].tolist() traits = reduce(lambda x,y:x+'|'+y,list(set(traits))) update_one_movie_info(type_=types, actors=g('主演'), region=g('地区'), director=g('导演'), trait=traits, rat=g('评分'), id_=row[0]) connection.commit() finally: connection.close()

之后开始准备用户数据，我们从用户打分的数据中，统计出每一个用户的打分的最大值，最小值，中位数值和平均值等，从而作为用户的一个附加属性，存储于userproex表中：

'insert into userproex(userid, rmax, rmin, ravg, rcount, rsum, rmedian) values(\'%s\', %s, %s, %s, %s, %s, %s)' % (userid, rmax, rmin, ravg, rcount, rsum, rmedium)'update userproex set rmax=%s, rmin=%s, ravg=%s, rmedian=%s, rcount=%s, rsum=%s where userid=\'%s\'' % (rmax, rmin, ravg, rmedium, rcount, rsum, userid)

以上两个SQL是最终插入表的时候用到的，代表准备用户数据的最终步骤，其余细节可以参考文末的github仓库，不在此赘述，数据处理还用到了一些SQL，以及其他处理细节。

系统上线运行时，第一次是全量的数据处理，之后会是增量处理过程，这个后面还会提到。

我们目前把用户数据和电影的数据的原始数据算是准备好了，下一步开始特征工程。做特征工程的思路是，对type, actors, director, trait四个类型数据分别构建一个频度统计字典，用于之后的one-hot编码，代码如下：

def get_dim_dict(df, dim_name): type_list = list(map(lambda x:x.split('|') ,df[dim_name])) type_list = [x for l in type_list for x in l] def reduce_func(x, y): for i in x: if i[0] == y[0][0]: x.remove(i) x.append(((i[0],i[1] + 1))) return x x.append(y[0]) return x l = filter(lambda x:x != None, map(lambda x:[(x, 1)], type_list)) type_zip = reduce(reduce_func, list(l)) type_dict = {} for i in type_zip: type_dict[i[0]] = i[1] return type_dict

涉及到的冗余数据也要删除

df_ = df.drop(['ADD_TIME', 'enable', 'rat', 'id', 'name'], axis=1)

将电影数据转换为字典列表，由于演员和导演均过万维，实际计算时过于稀疏，当演员或导演只出现一次时，标记为冷门演员或导演

movie_dict_list = []for i in df_.index: movie_dict = {} #type for s_type in df_.iloc[i]['type'].split('|'): movie_dict[s_type] = 1 #actors for s_actor in df_.iloc[i]['actors'].split('|'): if actors_dict[s_actor] < 2: movie_dict['other_actor'] = 1 else: movie_dict[s_actor] = 1 #regios movie_dict[df_.iloc[i]['region']] = 1 #director for s_director in df_.iloc[i]['director'].split('|'): if director_dict[s_director] < 2: movie_dict['other_director'] = 1 else: movie_dict[s_director] = 1 #trait for s_trait in df_.iloc[i]['trait'].split('|'): movie_dict[s_trait] = 1 movie_dict_list.append(movie_dict)

使用DictVectorizer进行向量化，做One-hot编码

v = DictVectorizer()X = v.fit_transform(movie_dict_list)

这样的数据，下面做余弦相似度已经可以了，这是特征工程的基本的一个处理，模型所使用的数据，需要将电影，评分，用户做一个数据拼接，构建训练样本，并保存CSV，注意这个CSV不用每次全量构建，而是除第一次外都是增量构建，通过mqlog中类型为'c'的消息，增量构建以comment（评分）为主的训练样本，拼接之后的形式如下：

USERID cf2349f9c01f9a5cd4050aebd30ab74fmovieid 10533913type 剧情|奇幻|冒险|喜剧actors 艾米·波勒|菲利丝·史密斯|理查德·坎德|比尔·哈德尔|刘易斯·布莱克region 美国director 彼特·道格特|罗纳尔多·德尔·卡门trait 感人|经典|励志rat 8.7rmax 5rmin 2ravg 3.85714rcount 7rmedian 4TIME_DIS 15

这个数据的actors等字段和上面的处理是一样的，为了之后libfm的使用，在这里需要转换为libsvm的数据格式

dump_svmlight_file(train_X_scaling, train_y_, train_file)

模型使用上遵循先召回，后精排的策略，先通过余弦相似度计算一个相似度矩阵，然后根据这个矩阵，为用户推荐相似的M个电影，在通过训练好的FM，LR模型，对这个M个电影做偏好预估，FM会预估一个用户打分，LR会预估一个点击概率，综合结果推送给用户作为推荐电影。

模块列表

• recsys_ui: 前端技术(html5+JavaScript+jquery+ajax)
• recsys_web: 后端技术(Java+SpringBoot+mysql)
• recsys_spider: 网络爬虫(python+BeautifulSoup)
• recsys_sql: 使用SQL数据处理
• recsys_model: pandas, libFM, sklearn. pandas数据分析和数据清洗，使用libFM,sklearn对模型初步搭建
• recsys_core: 使用pandas, libFM, sklearn完整的数据处理和模型构建、训练、预测、更新的程序
• recsys_etl：ETL 处理爬虫增量数据时使用kettle ETL便捷处理数据
  

为了能够输出一个可感受的系统，我们采购了阿里云服务器作为数据库服务器和应用服务器，在线上搭建了电影推荐系统的第一版，地址是:

/GavinHacker/recsys_core