python - 创建协同过滤产品推荐矩阵的方法

Question

我正在探索 python 中的推荐系统，到目前为止，我已经使用 KNN 模型来通过“像您这样的用户也购买了……”方法来推荐品牌。我的数据表为每个客户提供一行，为每个品牌提供一列，并填充 1 或 0 以指示客户是否购买了该品牌。

我现在希望将其提升为产品级别的建议，但很难了解这种方法将如何扩展。我尝试了相同的方法，但无法使用足够大的查询来查询我的数据库 (BigQuery)，无法为每个产品(10,000+)生成一列。

例如，我的来源是导出到 BigQuery 的 Google Analytics 日常数据，我正在根据以下示例创建输入数据:

SELECT
  customDimension.value AS UserID,
  MAX(IF(UPPER(hits_product.productSKU) LIKE "SKU1",1,0)) AS SKU1,
  MAX(IF(UPPER(hits_product.productSKU) LIKE "SKU2",1,0)) AS SKU2,
  MAX(IF(UPPER(hits_product.productSKU) LIKE "SKU3",1,0)) AS SKU3
  # plus 10,000 more...
  FROM
  `PROJECT.DATASET.ga_sessions_20*` AS t
CROSS JOIN
  UNNEST (hits) AS hits
CROSS JOIN
  UNNEST(t.customdimensions) AS customDimension
CROSS JOIN
  UNNEST(hits.product) AS hits_product
WHERE
  parse_DATE('%y%m%d',
    _table_suffix) BETWEEN DATE_SUB(CURRENT_DATE(), INTERVAL 1 day)
  AND DATE_SUB(CURRENT_DATE(), INTERVAL 1 day)
  AND customDimension.index = 2
  AND customDimension.value NOT IN ("true","false","undefined")
  AND customDimension.value IS NOT NULL
  AND hits.eventInfo.eventCategory = 'Ecommerce'
  AND hits.eventInfo.eventAction = 'Purchase'
GROUP BY
  UserID

对每个 SKU 使用一行运行此查询会生成错误:

The query is too large. The maximum query length is 256.000K characters, including comments and white space characters.

在这种情况下，如何创建产品级推荐？数据通常会以不同的形式引入 python 并在代码中转换为 maxrix 吗？

我现在完全被难住了，所以非常欢迎任何建议。

Answer 1

我不确定如何在 BigQuery(或任何 SQL 方言)中有效地创建您想要的 1-0(one-hot-esque)编码，但我绝对知道如何在 Python 中创建它。

聚合这些数据以供在 Python 中使用的最有效方法可能是执行以下操作...

您的 BigQuery 表似乎遵循以下结构:

来自this question ，看起来您可以使用如下方式将每个 SKU 聚合到一行中:

SELECT UserID, STRING_AGG(SKU) AS SKU_string FROM my_transactions_table GROUP BY UserID

这应该给你这个(采用上面的示例表):

从这里开始，在 Python 中使用这些数据真的很容易:

>>> import pandas as pd
>>> df = pd.read_csv('~/Desktop/test.csv', sep='\t')
>>> df
   UserID SKU_string
0       1      a,b,c
1       2        b,b
2       3      c,b,a

我们可以使用 scikit-learn 的 CountVectorizer 类来统计每个用户每个产品的出现次数:

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> vec = CountVectorizer(tokenizer=lambda x: x.split(','))
>>> X = vec.fit_transform(df['SKU_string'])
>>> X
<3x3 sparse matrix of type '<class 'numpy.int64'>'
    with 7 stored elements in Compressed Sparse Row format>
>>> pd.DataFrame(X.toarray(), columns=vec.get_feature_names())
   a  b  c
0  1  1  1
1  0  2  0
2  1  1  1

如果您愿意，可以将该矩阵连接回 DataFrame 和您可能选择的其他用户元数据:

>>> df = df.join(pd.DataFrame(X.toarray(), columns=['product_{}'.format(x) for x in vec.get_feature_names()]))
>>> df
   UserID SKU_string  product_a  product_b  product_c
0       1      a,b,c          1          1          1
1       2        b,b          0          2          0
2       3      c,b,a          1          1          1

但是，如果您有如您所说的那么多不同的产品，我很可能会建议您不要这样做。 10,000 个产品会创建 10,000 个额外的非稀疏列，如果您有很多客户，这些列可能会占用大量内存。

此外，如果您想将 X 对象(scipy.sparse.csr_matrix)严格转换为一零编码，请尝试以下操作:

>>> import numpy as np
>>> import scipy.sparse
>>> def booleanize_csr_matrix(mat):
...     ''' Convert sparse matrix with positive integer elements to 1s '''
...     nnz_inds = mat.nonzero()
...     keep = np.where(mat.data > 0)[0]
...     n_keep = len(keep)
...     result = scipy.sparse.csr_matrix(
...             (np.ones(n_keep), (nnz_inds[0][keep], nnz_inds[1][keep])),
...             shape=mat.shape
...     )
...     return result
... 
>>> pd.DataFrame(booleanize_csr_matrix(X).toarray(), columns=vec.get_feature_names())
     a    b    c
0  1.0  1.0  1.0
1  0.0  1.0  0.0
2  1.0  1.0  1.0

从那里，您可以使用各种算法根据用户推荐项目...您可以查看 sklearn.metrics.pairwise.cosine_similarity用于测量每个用户的购买向量之间的角度。