使用Python构建电影推荐系统
在日常数据挖掘工作中，使用除了会涉及到使用Python处理分类或预测任务，构建有时候还会涉及推荐系统相关任务。电影
推荐系统用于各个领域，推荐常见的系统例子包括视频和音乐服务的播放列表生成器、在线商店的使用产品推荐器或社交媒体平台的内容推荐器。在这个项目中，构建我们创建一个电影推荐器。电影
协同过滤通过收集许多用户的推荐偏好或品味信息，对用户的系统兴趣进行自动预测(过滤)。到目前为止，使用推荐系统已经发展很长一段时间了，构建它们的电影模型基于各种技术，如加权平均、推荐相关性、系统机器学习、深度学习等等。
自 1995 年以来，Movielens 20M dataset 拥有超过 2000 万个电影评级和标记活动。在本文中，我们将从movie.csv & rating.csv文件中检索信息。使用Python库：Pandas, Seaborn, Scikit-learn和SciPy，使用k-近邻算法中的余弦相似度训练模型。
以下是该项目的核心步骤：
导入和合并数据集并创建 Pandas DataFrame添加必要的亿华云计算特征来分析数据使用 Seaborn 可视化数据并分析数据通过设置阈值过滤无效数据创建一个以用户为索引、以电影为列的数据透视表创建 KNN 模型并输出与每部电影相似的 5 个推荐导入数据
导入和合并数据集并创建 Pandas DataFrameMovieLens 20M 数据集自 1995 年以来超过 2000 万的电影评级和标记活动。
# usecols 允许选择自己选择的特征，并通过dtype设定对应类型
movies_df=pd.read_csv(movies.csv,
usecols=[movieId,title],
dtype={ movieId:int32,title:str})
movies_df.head()
ratings_df=pd.read_csv(ratings.csv,
usecols=[userId, movieId, rating,timestamp],
dtype={ userId: int32, movieId: int32, rating: float32})
ratings_df.head()
检查是否存在任何空值以及两个数据中的条目数。
# 检查缺失值
movies_df.isnull().sum()movieId 0
title 0
dtype: int64
ratings_df.isnull().sum()userId 0
movieId 0
rating 0
timestamp 0
dtype: int64
print("Movies:",movies_df.shape)
print("Ratings:",ratings_df.shape)Movies: (9742, 2)
Ratings: (100836, 4)
合并列上的数据帧 movieId
# movies_df.info()
# ratings_df.info()
movies_merged_df=movies_df.merge(ratings_df, on=movieId)
movies_merged_df.head()
现在已经成功合并了导入的数据集。
添加衍生特征
添加必要的特征来分析数据。
通过按电影标题对用户评分进行分组来创建Average Rating & Rating Count列。
movies_average_rating=movies_merged_df.groupby(title)[rating]\
.mean().sort_values(ascending=False)\
.reset_index().rename(columns={ rating:Average Rating})
movies_average_rating.head()
movies_rating_count=movies_merged_df.groupby(title)[rating]\
.count().sort_values(ascending=True)\
.reset_index().rename(columns={ rating:Rating Count}) #ascending=False
movies_rating_count_avg=movies_rating_count.merge(movies_average_rating, on=title)
movies_rating_count_avg.head()
目前已经创建了 2 个新的衍生特征。
数据可视化
使用 Seaborn 可视化数据：
经过分析发现，许多电影在近 10 万用户评分的数据集上都有完美的 5 星平均评分。这表明存在异常值，我们需要通过可视化进一步确认。多部电影的评分比较单一，建议设置一个评分门槛值，以便产生有价值的推荐。使用 seaborn & matplotlib 可视化数据，以便更好地观察和分析数据。
将新创建的特征绘制直方图，源码库并查看它们的分布。设置 bin 大小为80，该值的设置需要具体分析，并合理设置。
# 导入可视化库
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(font_scale = 1)
plt.rcParams["axes.grid"] = False
plt.style.use(dark_background)
%matplotlib inline
# 绘制图形
plt.figure(figsize=(12,4))
plt.hist(movies_rating_count_avg[Rating Count],bins=80,color=tab:purple)
plt.ylabel(Ratings Count(Scaled), fontsize=16)
plt.savefig(ratingcounthist.jpg)
plt.figure(figsize=(12,4))
plt.hist(movies_rating_count_avg[Average Rating],bins=80,color=tab:purple)
plt.ylabel(Average Rating,fontsize=16)
plt.savefig(avgratinghist.jpg)
图1 Average Rating直方图
图2 Rating Count的直方图
现在创建一个joinplot二维图表，将这两个特征一起可视化。
plot=sns.jointplot(x=Average Rating,
y=Rating Count,
data=movies_rating_count_avg,
alpha=0.5,
color=tab:pink)
plot.savefig(joinplot.jpg)
Average Rating和Rating Count的二维图
分析图1证实了，大部分电影的评分都是较低的。除了设置阈值之外，我们还可以在这个用例中使用一些更高百分比的分位数。直方图 2 展示了“Average Rating”的分布函数。数据清洗
运用describe()函数得到数据集的描述统计值，如分位数和标准差等。
pd.set_option(display.float_format, lambda x: %.3f % x)
print(rating_with_RatingCount[Rating Count].describe())count 100836.000
mean 58.759
std 61.965
min 1.000
25% 13.000
50% 39.000
75% 84.000
max 329.000
Name: Rating Count, dtype: float64设置阈值并筛选出高于阈值的数据。
popularity_threshold = 50
popular_movies= rating_with_RatingCount[
rating_with_RatingCount[Rating Count]>=popularity_threshold]
popular_movies.head()
# popular_movies.shape
至此已经通过过滤掉了评论低于阈值的电影来清洗数据。
创建数据透视表
创建一个以用户为索引、以电影为列的数据透视表
为了稍后将数据加载到模型中，需要创建一个数据透视表。并设置title作为索引，userId为列，云服务器rating为值。
import os
movie_features_df=popular_movies.pivot_table(
index=title,columns=userId,values=rating).fillna(0)
movie_features_df.head()
movie_features_df.to_excel(output.xlsx)
接下来将创建的数据透视表加载到模型。
建立 kNN 模型
建立 kNN 模型并输出与每部电影相似的 5 个推荐
使用scipy.sparse模块中的csr_matrix方法，将数据透视表转换为用于拟合模型的数组矩阵。
from scipy.sparse import csr_matrix
movie_features_df_matrix = csr_matrix(movie_features_df.values)最后，使用之前生成的矩阵数据，来训练来自sklearn中的NearestNeighbors算法。并设置参数：metric = cosine, algorithm = brute
from sklearn.neighbors import NearestNeighbors
model_knn = NearestNeighbors(metric = cosine,
algorithm = brute)
model_knn.fit(movie_features_df_matrix)现在向模型传递一个索引，根据kneighbors算法要求，需要将数据转换为单行数组，并设置n_neighbors的值。
query_index = np.random.choice(movie_features_df.shape[0])
distances, indices = model_knn.kneighbors(movie_features_df.iloc[query_index,:].values.reshape(1, -1),
n_neighbors = 6)最后在 query_index 中输出出电影推荐。
for i in range(0, len(distances.flatten())):
if i == 0:
print(Recommendations for { 0}:\n
.format(movie_features_df.index[query_index]))
else:
print({ 0}: { 1}, with distance of { 2}:
.format(i, movie_features_df.index[indices.flatten()[i]],
distances.flatten()[i]))Recommendations for Harry Potter and the Order of the Phoenix (2007):
1: Harry Potter and the Half-Blood Prince (2009), with distance of 0.2346513867378235:
2: Harry Potter and the Order of the Phoenix (2007), with distance of 0.3396233320236206:
3: Harry Potter and the Goblet of Fire (2005), with distance of 0.4170845150947571:
4: Harry Potter and the Prisoner of Azkaban (2004), with distance of 0.4499547481536865:
5: Harry Potter and the Chamber of Secrets (2002), with distance of 0.4506162405014038:至此我们已经能够成功构建了一个仅基于用户评分的推荐引擎。
总结
以下是我们构建电影推荐系统的步骤摘要：
导入和合并数据集并创建 Pandas DataFrame为了更好分析数据创建衍生变量使用 Seaborn 可视化数据通过设置阈值来清洗数据创建了一个以用户为索引、以电影为列的数据透视表建立一个 kNN 模型，并输出 5 个与每部电影最相似的推荐写在最后
以下是可以扩展项目的一些方法：
这个数据集不是很大，可以在项目中的包含数据集中的其他文件来扩展这个项目的范围。可以利用 ratings.csv 中时间戳，分析评级在一段时间内的变化情况，并且可以在解析我们的模型时，根据时间戳对评级进行加权。该模型的性能远优于加权平均或相关模型，但仍有提升的空间，如使用高级 ML 算法甚至 DL 模型。