使用Mahout搭建推荐系统之入门篇2-玩转你的数据1

用意: 搞推荐系统或者数据挖掘的, 对数据要绝对的敏感和熟悉, 而且热爱你的数据. 分析数据既要用统计分析那一套,又要熟悉业务发掘有趣的特征(feature). 后者有意思的多,可是由于我业务作的很少,还不太熟悉, 跪求大牛们分析业务经历. 听豆瓣上的大神"懒惰啊我"说过,有一个Nokia的比赛,有一个团队直接用陀螺仪参数就发现了性别分布,由于男生手机都放在口袋里, 而女生每每放在包里面. 不知道记错没有.

下面主要讲些统计分析或者简单的内容分析, 说说我本身的总结, 这个话题之后能够常说.

这部分不涉及Mahout的内容,主要是使用Python和Linux命令简单处理数据. 不感兴趣的朋友能够直接跳到最后面看看一些不错的数据集推荐. 

一. 前期数据分析的三个阶段

1. 打开你的数据,读懂每一行的含义

2. 统计你的数据, 用python\excel pivot table\R\SPSS等均可以, 考虑到复用性建议写代码

    数据的行数

    item和user的数量

    rate的评分方式,是boolean仍是1-5分或者其它.

    数据稀疏仍是稠密 sparse or dense

3. 找到合适的存储方式存储,DenseVector仍是SparseVector

二. 数据分析实例

   如今国内的数据还比较少, 感谢下百度,提供了一些不错的数据.

    首先来看一份国内的数据

    百度举办的电影推荐系统算法创新大赛提供的用户数据. http://pan.baidu.com/s/1y15w4

1. 读懂你的数据, 知道每一行的含义.

一共有五个文件:

movie_tag.txt 每行表示一个有效数据项, 下面相似. 每行由电影id以及tag的id, 用"\t"隔开; tag用","隔开.

training_set.txt  每行表示用户id, 电影id, 评分, 用"\t"隔开.

user_social.txt  每行表示用户id和用户关注的好友id集合； 好友id集合用","隔开.

predict.txt 每行表示用户id和电影id

user_history.txt 每行表示用户id和用户看过的电影id. 

数据以下图所示: head -n 2 *.txt

2. 数据统计

主要参数:

    用户个数\电影个数

    每一个用户平均电影个数,平均值,标准差\每一个电影平均用户个数,平均值,标准差

    评分的范围

行数分析: wc -l *.txt

traning_set.txt数量为1262741行,predict.txt数量为314679行, 电影和用户数量未知,大概在万的级别,因此写些

python代码简单分析一下. 100万用户级别的数据项使用python dict数据结构消耗内存在MByte级别且因为Python使用共享池共享int类,对象的冗余开销也不会暴涨, 普通PC既能够计算.

Python数据分析

Python代码输出以下:

     用户(总数,平均值,标准差)=( 9722 129.884900226 223.778624272 )
     电影(总数,平均值,标准差)=( 7889 160.063506148 360.171047305 )
     评分范围=( 1.0 5.0 )

简要分析:

    由数据可见,用户数量和电影数量在10000左右级别, 因为电影更少一些,使用item-based较合适;固然,因为用户和电影数量差距不大,最终仍是要用实验来证实一下二者的性能优异.

    另外:二者标准差分别为223与336可见, 基本能够断定数据为稀疏矩阵.

[比较: 我使用了movieLens上的1M数据集进行对比, 运行结果以下]

http://www.grouplens.org/datasets/movielens/

用户(总数,平均值,标准差)=( 6040 165.597516556 192.731072529 )
电影(总数,平均值,标准差)=( 3706 269.889098759 383.996019743 )
评分范围=( 1.0 5.0 )

    评价: 平均值更大, 数据更加致密一些. 每一个用户和电影的数据推荐效果应该也会更好一些.

[吐槽点: 你给了id不给电影和标签的真实名称,看着一堆id, 推荐一大堆数字有个毛兴趣啊.  可是movieLens给出了电影名称,之后仍是使用movieLens来做为预测数据更加有兴趣一些.]

Python代码以下:

# -*- coding: utf-8 -*- ''' Created on 2 Nov, 2013 @author: cool ''' import math #return user_num, movie_num, movie_mean, movie_variant def countData(filename): user_count = {} #the number of movie about every user movie_count = {} #the number of user about every movie max = -100 min = 100 #Assuming no duplicate data for line in open(filename): (user, movie, rating) = line.split("\t") #(user, movie, rating, xx) = line.split("::") rating = float(rating.replace(r"\r\r\n", "")) #print rating user_count.setdefault(user, 0) user_count[user] += 1 movie_count.setdefault(movie, 0) movie_count[movie] += 1 if (max < rating): max = rating if (min > rating): min = rating uSum = sum([user_count[user] for user in user_count]) uSqSum = sum([user_count[user]**2 for user in user_count]) user_mean = float(uSum) / len(user_count) user_variant = math.sqrt(float(uSqSum) / len(user_count) - user_mean**2) mSum = sum([movie_count[movie] for movie in movie_count]) mSqSum = sum([movie_count[movie]**2 for movie in movie_count]) movie_mean = float(mSum) / len(movie_count) movie_variant = math.sqrt(float(mSqSum) / len(movie_count) - movie_mean**2) return len(user_count), len(movie_count), user_mean, user_variant, movie_mean, movie_variant, min, max if __name__ == '__main__': (user_count, movie_count, user_mean, user_variant, movie_mean, movie_variant, min, max) \ = countData("../data/baidu/training_set.txt") #(user_count, movie_count, user_mean, user_variant, movie_mean, movie_variant, min, max) \ # = countData("../data/baidu/ratings.dat") print "用户(总数,平均值,标准差)=(", user_count, user_mean, user_variant, ")" print "电影(总数,平均值,标准差)=(", movie_count, movie_mean, movie_variant, ")" print "评分范围=(", min, max, ")" 

三. 不错的数据来源

[1] GroupLens数据集(推荐相关:电影数据\书\笑话等): http://grouplens.org/datasets/

[2] UCI数据集(数据丰富,无所不包) http://archive.ics.uci.edu/ml/index.html

[3] Kaggle数据(数据丰富,规范,KDD2012是腾讯提供的微博数据) http://www.kddcup2012.org/c/kddcup2012-track1

[4] Scikit-learn 提供的一些Python数据库,能够教你怎么玩转数据,我本身只玩过一点,之后得深挖一下. 此外这个Python机器学习库的文档堪称天人所写  http://scikit-learn.org/stable/datasets/