《推荐系统实战(二)》音乐推荐系统(数据清洗、召回、排序)
前言
在本篇博客中,我们将从0搭建一个音乐推荐系统,其中的流程也可以用来搭建其他内容的推荐系统。
我们将整个过程分为三个部分,分别是
- 数据预处理
- 召回
- 排序
拿到原始数据集之后,我们需要对其进行处理,包括去重、重命名、去掉无用特征等等,最后形成较为简洁清晰的数据集。
有了数据集之后,我们进入系统的召回阶段。在这一阶段,我们从大量歌曲中选出少部分歌曲作为候选集,采用的方法有排行榜、协同过滤和矩阵分解。
通过召回阶段,我们得到歌曲的候选集,为了进一步筛选,我们采用GBDT+LR的ctr预估方法,对候选集进行进一步的打分和排序,最终选出得分最高的几个作为推荐结果输出。
Part 1. 数据集简介和预处理
Step 1.1. 数据集简介
我们的数据集是从网上的一个项目中获得的,这个项目由The Echonest和LABRosa一起完成。数据集主要是多年间外国音乐的量化特征,包含了百万用户对几十万首歌曲的播放记录(train_triplets.txt,2.9G)和这些歌曲的详细信息(triplets_metadata.db,700M)。
数据已经上传,免费下载;如果显示不免费,请评论区留言。
用户的播放记录数据集train_triplets.txt格式是这样的:用户 歌曲 播放次数,其中用户和歌曲都匿名。由于数据集很大,可以从.txt文件中选取200万条数据作为我们的数据集。
歌曲的详细信息数据集triplets_metadata.db则包括歌曲的发布时间、作者、作者热度等。
Step 1.2. 数据预处理
对于过大的文件,我们在读取的时候,可以改变其数据类型降低内存,比如
- 将float64转化为float32
- 将int64转化为int32
- 对object类型数据进行label编码
对.txt文件的处理
为了降低计算量以及提高准确性,我们过滤掉一些用户和歌曲。
对于用户而言,我们观察用户播放量的分布情况,如下,
从上图可以看到,有一大部分用户的歌曲播放量少于100。 少于100的歌曲播放量在持续几年的时间长度上来看是不正常的。 造成这种现象的原因,可能是这些用户不喜欢听歌,只是偶尔点开。
歌曲播放量大于100的用户占总体的40%,而正是这40%的用户,产生了80%的播放量,占据了总体数据的70%。 因此,我们可以直接将歌曲播放量少于100的用户过滤掉,而不影响整体数据。
我们观察歌曲的播放量的分布,如下,
我们观察到,大部分歌曲的播放量非常少,甚至不到50次!播放量大于50的歌曲数量,占总体数量的27%,而这27%的歌曲,产生的播放总量和数据总量都占90%以上! 因此可以说,过滤掉这些播放量小于50的歌曲,对总体数据不会产生太大影响。
对.db文件的处理
.db文件里面有关于每一首歌曲的详细信息,所以我们在读取之后,要与.txt文件的数据进行合并。
数据清洗
对于合并之后的数据,我们主要去重以及去掉一些无用的特征,比如
- track_id
- artist_id
- artist_mbid
- duration
- track_7digitalid
- shs_perf
- shs_work
处理之后,我们的数据是这样的,
Step 1.3. 可视化
我们简单来看一下数据。
第一张图:最受欢迎的歌手或者乐队
第二张图:最受欢迎的专辑
第三张图:最受欢迎的歌曲
Part 2. 召回阶段
对于系统的召回阶段,我们将给出如下三种推荐方式,分别是
- 基于排行榜的推荐
- 基于协同过滤的推荐
- 基于矩阵分解的推荐
Step 2.1. 基于排行榜的推荐
我们将每首歌听过的人数作为每首歌的打分。 这里之所以不将点击量作为打分,是因为一个人可能对一首歌多次点击,但这首歌其他人并不喜欢。
Step 2.2. 基于协同过滤的推荐
评分矩阵
协同过滤需要用户-物品评分矩阵。
考虑到不同用户听歌习惯不同,用户对一首歌的评分应该由这个用户本身的统计数据决定。因此,用户对某首歌的评分的计算公式如下,
- 该用户的最大歌曲点击量
- 当前歌曲点击量/最大歌曲点击量
- 评分=log(2 + 上述比值)
计算完评分之后,我们可以看一下整体评分的分布情况,如下
得到用户-物品评分矩阵之后,我们用surprise库中的knnbasic函数进行协同过滤。
协同过滤主要有itemCF和userCF,想法类似,都是先计算相似度矩阵,根据相似度来推荐物品。我的博客里面有介绍,就不赘叙了。
Step 2.3. 基于矩阵分解的推荐
矩阵分解同样采用上面的评分矩阵。
通过svd将稀疏的评分矩阵进行分解,预测得到用户对未播放音乐的评分。根据这个评分,系统做出推荐。
这里,我们用surprise库的svd方法来做分解。具体的原理在我博客里也有,有兴趣的可以去看看。
Part 3. 排序阶段
对于系统的排序阶段,我们通常是这样的,
- 以召回阶段的输出作为候选集
- 用CTR预估作为进一步的排序标准,从候选集中挑选少数几个作为推荐结果
这里,我们可以召回50首音乐,用GBDT+LR对这些音乐做ctr预估,给出评分排序,选出5首歌曲。
现在,仅仅用用户-物品评分是不够的,因为我们需要考虑特征之间的组合。为此,我们用之前的data数据。
为了保持数据集的正负平衡,我们令rating小于0.7的为0,也就是不喜欢,令rating大于0.7的为1,也就是喜欢。
然后我们用gbdt+lr做ctr预估,并用lr得到的概率作为权重,综合考虑候选集中歌曲的得分,得到最终的打分。
根据最终打分,我们选出最大的几首歌作为推荐结果。
Part 4. 结语
限于机器性能和时间所限,不能训练更多的数据,显然是未来可以提高的部分。在排序阶段,我们还可以用深度学习的相关算法,效果可能也不错。如果有更多的数据,比如像大众点评的结果查询结果,我们或许还可以做重排序。
附:github代码
《推荐系统实战(二)》音乐推荐系统(数据清洗、召回、排序)相关推荐
- 推荐系统实战4——EasyRec 搭建DSSM召回模型实现CTR点击平台
推荐系统实战4--EasyRec 搭建DSSM召回模型实现CTR点击平台 学习前言 EasyRec仓库地址 DSSM实现思路 一.DSSM整体结构解析 二.网络结构解析 1.Embedding层的构建 ...
- 推荐系统实战 --- 基于音乐播放推荐
写在前面 推荐系统每个人都很熟悉这个名词,但是有多少人真正了解过推荐系统的概念. 这期博客将以基于网易云音乐的推荐系统进行一个简单的介绍. (读到这里不要喷我,我不是网易公司的人但是每个人都有朋友的对 ...
- 推荐系统实战:新闻推荐系统基本流程
系统的整体框架就如该图所示,是一个离线推荐的系统,也就是包含了N+1延迟,以此来降低系统复杂度(虽然还是很复杂).同时,系统使用了crontab来连接各个链路,使整个过程可以自动化进行. 分为Offl ...
- java基于springboot+vue协同过滤算法的音乐推荐系统
音乐是人类永恒的话题,无论是在古代还是现代人们对音乐都有一种非常的热爱在里面,同时音乐也寄语了人们对美好事物的憧憬,很多时候人们在试听音乐的时候并不能够及时的找到适合自己的音乐,而且当下很多音乐都是收 ...
- 毕业设计 - 题目:推荐系统构建和应用 推荐系统
文章目录 0 前言 1 什么是推荐系统 2 毕业设计 - 能做哪些推荐系统? 2.1 电商推荐系统 2.3 电影推荐系统 2.4 音乐推荐系统 2.5 就业推荐系统 2.6 图书推荐系统 2.7 小说 ...
- 个性化广告推荐系统实战系列(二):根据用户行为数据创建ALS模型并召回商品
1. 写在前面 这几天打算整理一个模拟真实情景进行广告推荐的一个小Demon, 这个项目使用的阿里巴巴提供的一个淘宝广告点击率预估的数据集, 采用lambda架构,实现一个离线和在线相结合的实时推荐系 ...
- NLP自然语言处理系列-音乐推荐系统实战 - 数据处理
NLP自然语言处理系列-音乐推荐系统实战 - 数据处理 本文进行音乐推荐系统案例实战,对音乐数据集进行数据清洗和特征提取,基于矩阵分解进行音乐推荐. 数据处理 读取音乐数据集,统计数据指标,选择文本信 ...
- 推荐系统实战第02课召回算法和业界最佳实践Part1
推荐系统实战第02课召回算法和业界最佳实践Part1 推荐系统的 Match 模块介绍 Match 算法典型应⽤ Collaborative Filtering 算法介绍 基于共现关系的 Collab ...
- Spark机器学习实战 (十二) - 推荐系统实战
0 相关源码 将结合前述知识进行综合实战,以达到所学即所用.在推荐系统项目中,讲解了推荐系统基本原理以及实现推荐系统的架构思路,有其他相关研发经验基础的同学可以结合以往的经验,实现自己的推荐系统. 1 ...
最新文章
- 解题报告:【kuangbin带你飞】专题十一 网络流
- Spring Boot 核心注解与配置文件
- C# Excel处理工具
- 【elasticsearch系列】SpringBoot整合elasticsearch客户端
- 图:[比赛打分策划方案]某航天大学韵律操比赛策划书
- 决策树实现手写体识别
- gRPC如何在Golang和PHP中进行实战?7步教你上手!
- uilable 上面加子视图图
- 二值化及伽马调整的函数
- 8代cpu装服务器系统,8代cpu不支持win7吗
- 《数值分析》-- 埃尔米特插值与分段插值
- 【Fracturing amp; Destruction】Unity3D的物体爆裂、炸裂、碎裂效果
- 【转载】采样频率、采样点数、频率分辨率
- 基于微信小程序的新生自助报到系统小程序
- 两个例子讲清Thread的setDaemon的作用
- 百趣代谢组学-牛磺酸通过增强CD8+T细胞的功能从而增强抗肿瘤免疫力
- EmguCV的学习日志(一)
- 网页导出pdf不完整_PDF 文件编辑方法和工具大全
- NYOJ 912 领帽子(全错位排列)
- 看了这篇,你也是Python文件操作高手
热门文章
- 轻量化网络:MobileNets
- Tutorial of Codeforces Round 729 (Div.2)
- 关于神经网络的调参经验技巧和调参顺序
- 【干货】Python中几个有趣的函数
- win10推荐的锁屏壁纸该怎么保存 win10休眠锁屏壁纸保存
- springboot连接redis错误 io.lettuce.core.RedisCommandTimeoutException:
- sqlserver 获取所有表的字段类型等信息
- ACM-线段树区间更新+离散化
- docker 实战---使用oracle xe作为开发数据库(六)
- Eclipse统计代码行数