ALS音乐推荐（上）

　　本篇文章的开头笔者提出一个疑问，何为数据科学，数据科学是作什么的？你们带着这个疑问去读接下来的这篇音乐推荐的公众号。

　　从经验上讲，推荐引擎属于大规模机器学习，在平常购物中你们或许深有体会，好比：你在淘宝上浏览了一些商品，或者购买了一些商品，那么淘宝就会根据你的偏好给你推荐一些其余相似的商品。然而，相比较其余机器学习算法，推荐引擎的输出更加的直观，有时候的推荐效果让人吃惊。做为机器学习开篇文章，本篇文章会系统的介绍基于Audioscrobbler数据集的音乐推荐。

数据集介绍

　　Audioscrobbler数据集是一个公开发布的数据集，读者能够在（http://www-etud.iro.umontreal.ca/~bergstj/audioscrobbler_data.html）网站获取。数据集主要有三部分组成，user_artist_data.txt文件是主要的数据集文件记录了约2420条用户id、艺术家id以及用户收听艺术家歌曲的次数数据，包含141000个用户和160万个艺术家；artist_data.txt文件记录了艺术家id和对应的名字；artist_alias.txt记录了艺术家id和对应的别称id。

推荐算法介绍

　　因为所选取的数据集只记录了用户和歌曲之间的交互状况，除了艺术家名字以外没有其余信息。所以要找的学习算法不须要用户和艺术家的属性信息，这类算法一般被称为协同过滤。若是根据两个用户的年龄相同来判断他们可能具备类似的偏好，这不叫协同过滤。相反，根据两个用户播放过许多相同歌曲来判断他们可能都喜欢某首歌，这是协调过滤。

　　本篇所用的算法在数学上称为迭代最小二乘，把用户播放数据当成矩阵A，矩阵低i行第j列上的元素的值，表明用户i播放艺术家j的音乐。矩阵A是稀疏的，绝大多数元素是0，算法将A分解成两个小矩阵X和Y，既A=XY^T，X表明用户特征矩阵，Y表明特征艺术家矩阵。两个矩阵的乘积当作用户-艺术家关系矩阵的估计。能够经过下边一组图直观的反映：

　　如今假若有5个听众，音乐有5首，那么A是一个5*5的矩阵，假如评分以下：

图2.1 用户订阅矩阵

　　假如d是三个属性，那么X的矩阵以下：

图2.2 用户-特征矩阵

　　Y的矩阵以下：

图2.3 特征-电影矩阵

　　实际的求解过程当中一般先随机的固定矩阵Y，则，为提升计算效率，一般采用并行计算X的每一行，既。获得X以后，再反求出Y，不断的交替迭代，最终使得XY^T与A的平方偏差小于指定阈值，中止迭代，获得最终的X（表明用户特征矩阵）和Y矩阵（表明特征艺术家矩阵）。在根据最终X和Y矩阵结果，向用户进行推荐。

ALS的Spark实现

　　Spark MLlib的ALS算法实现有点缺陷，要求用户和产品的ID必须是数值型，而且是32位非负整数。在计算以前应该首先检验一下数据量。

1）数据预处理

　　过滤无效的用户艺术家ID和名字行，将格式不正确的数据行剔除掉。

def buildArtistByID(rawArtistData: Dataset[String]): DataFrame = {

  rawArtistData.flatMap { line =>

    val (id, name) = line.span(_ != '\t')

    if (name.isEmpty) {

      None

    } else {

      try {

        Some((id.toInt, name.trim))

      } catch {

        case _: NumberFormatException => None

      }

    }

  }.toDF("id", "name")

}

 

　　过滤艺术家id和对应的别名id，将格式拼写错误的行剔除掉。

def buildArtistAlias(rawArtistAlias: Dataset[String]): Map[Int,Int] = {

  rawArtistAlias.flatMap { line =>

    val Array(artist, alias) = line.split('\t')

    if (artist.isEmpty) {

      None

    } else {

      Some((artist.toInt, alias.toInt))

    }

  }.collect().toMap

}

 

　　将数据转换成Rating对象，Rating对象是ALS算法对“用户-产品-值”的抽象。

def buildCounts(

    rawUserArtistData: Dataset[String],

    bArtistAlias: Broadcast[Map[Int,Int]]): DataFrame = {

  rawUserArtistData.map { line =>

    val Array(userID, artistID, count) = line.split(' ').map(_.toInt)

    val finalArtistID = bArtistAlias.value.getOrElse(artistID, artistID)

    (userID, finalArtistID, count)

  }.toDF("user", "artist", "count")

}

 

2）模型构建

def model(

    rawUserArtistData: Dataset[String],

    rawArtistData: Dataset[String],

    rawArtistAlias: Dataset[String]): Unit = {

  val bArtistAlias = spark.sparkContext.broadcast(buildArtistAlias(rawArtistAlias))  //艺术家别名数据

  val trainData = buildCounts(rawUserArtistData, bArtistAlias).cache() //将数据转换成须要的格式

  val model = new ALS().

    setSeed(Random.nextLong()).

    setImplicitPrefs(true).

    setRank(10).

    setRegParam(0.01).

    setAlpha(1.0).

    setMaxIter(5).

    setUserCol("user").

    setItemCol("artist").

    setRatingCol("count").

    setPredictionCol("prediction").

    fit(trainData)

  trainData.unpersist()

  model.userFactors.select("features").show(truncate = false)

  val userID = 2093760

  val existingArtistIDs = trainData.

    filter($"user" === userID).

    select("artist").as[Int].collect()

  val artistByID = buildArtistByID(rawArtistData)

  artistByID.filter($"id" isin (existingArtistIDs:_*)).show()

  val topRecommendations = makeRecommendations(model, userID, 5)

  topRecommendations.show()

  val recommendedArtistIDs = topRecommendations.select("artist").as[Int].collect()

  artistByID.filter($"id" isin (recommendedArtistIDs:_*)).show()

  model.userFactors.unpersist()

  model.itemFactors.unpersist()

}

　　本篇文章主要对ALS音乐推荐进行简单的介绍，下一篇会对模型的参数，以及模型的推荐效果进行评估，而且会对推荐结果进行优化。

 备注：若是文中排版出现错乱，请点击https://mp.weixin.qq.com/s/aqF38rDQdT35YrLAyLm-nA

更多精彩内容，欢迎扫码关注如下微信公众号：大数据技术宅。大数据、AI从关注开始