[译] 一文精通：用 NLP 实现基于内容的推荐系统

全文共 3490 字，预计学习时长 10 分钟

来源：zcool

不光是淘宝、京东会根据消费者的浏览、购买记录进行产品、服务推荐。 网易云音乐、哔哩哔哩、腾讯新闻等各大音乐视频新闻等都会根据用户的记录进行相关推荐，一推一个准，令人方便之余，细思极恐。

来源：zhongmicm

下面，就和小芯一起来了解一下这个“神奇的推荐系统”。

当在网上对产品和服务进行评级时，人们表达的所有偏好和共享的数据(明确地或不明确地)都会被推荐系统用来生成推荐。

来源：cbdio

推荐系统分为两类:

• 协同过滤-基于用户评分和消费将相似的用户分组，然后向用户推荐产品/服务

• 基于内容的过滤——根据相似的产品/服务的属性向用户推荐。

在本文中，小芯将结合电影属性(如类型、情节、导演和主要演员)来计算它与另一部电影的余弦相似性。 数据集来源于 data.world 下载的IMDB最值得观看的前250部英文电影。

步骤1:导入Python库和数据集，执行EDA

确保已经安装了 快速自动关键字提取 (RAKE)库(或pip installrake_nltk)。

from rake_nltk import Rake

在数据集中，有250部电影（行）和38个属性（列）。 然而，只有5个属性是有用的:“Title”、“Director”、“Actors”、“Plot”和“Genre”。 以下是10位最受欢迎的导演。

df['Director'].value_counts()[0:10].plot('barh',figsize=[8,5],

250部电影中最受欢迎的10位导演

步骤2:数据预处理，删除停用词、标点符号、空白，并将所有单词转换为小写

首先，必须使用自然语言处理对数据进行预处理，得到包含每部电影所有属性(以单词表示)的一列。 之后，以向量化的方式将这些信息转换为数字，并为每个单词分配分数，随后计算余弦相似性。

使用Rake函数从“Plot”列的整个句子中提取最相关的单词。 为此，将这个函数应用于“Plot”列下的每一行，并将关键词列表分配给一个新列“Key_words”。

df[‘Key_words’]= ”

r =Rake()for index, row in df.iterrows():

r.extract_keywords_from_text(row[‘Plot’])

key_words_dict_scores =r.get_word_degrees()

row[‘Key_words’] =list(key_words_dict_scores.keys())

Rake函数提取关键词

演员和导演的名字被转换成独有的身份值。 这是通过将所有姓和名合并成一个单词来实现的，这样克里斯·埃文斯(Chris Evans)和克里斯·海姆斯沃斯(Chris Hemsworth)就会有不同的值(如果不做这一步，他们将有50%的相似度，因为他们都有“克里斯”)。 每个单词都需要转换成小写字母以避免重复。

df[‘Genre’]= df[‘Genre’].map(lambda x: x.split(‘,’))

df[‘Actors’]= df[‘Actors’].map(lambda x: x.split(‘,’)[:3])

df[‘Director’]= df[‘Director’].map(lambda x: x.split(‘,’))for index, row in df.iterrows():

row[‘Genre’] = [x.lower().replace(‘ ‘,”)for x in row[‘Genre’]]

row[‘Actors’] = [x.lower().replace(‘ ‘,”)for x in row[‘Actors’]]

row[‘Director’] = [x.lower().replace(‘ ‘,”) for x in row[‘Director’]]

所有的名字都被转换成独特的身份值

步骤3:合并列属性到新列Bag_of_words中来创建词汇表征

经过数据预处理后，“Genre”、“Director”、“Actors”和“Key_words”被合并为一个新的列“Bag_of_words”。 最后的DataFrame只有两列。

df[‘Bag_of_words’]= ”

columns= [‘Genre’, ‘Director’, ‘Actors’, ‘Key_words’]for index, row in df.iterrows():

words = ”

for col in columns:

words += ‘ ‘.join(row[col]) + ‘ ‘

row[‘Bag_of_words’] = words

df =df[[‘Title’,’Bag_of_words’]]

最后的词汇表征是新的列“Bag_of_words”

步骤4:为Bag_of_words创建向量表示，并创建相似性矩阵

推荐模型只能读取一个向量（矩阵）并将其与另一个向量进行比较，所以需要使用CountVectorizer将’ Bag_of_words ‘转换成向量表示，CountVectorizer可统计“Bag_of_words”列中每个单词的出现次数。 一旦有了包含所有单词出现次数的矩阵，就可以用余弦相似性函数来比较电影之间的相似性。

根据余弦相似性公式来计算相似矩阵的值

count= CountVectorizer()

count_matrix= count.

fit_transform(df[‘Bag_of_words’])cosine_sim =cosine_similarity(count_matrix, count_matrix)

print(cosine_sim)

相似性矩阵（250行x 250列）

下一步是创建一系列电影标题，使系列索引能够匹配相似矩阵的行和列索引。

indices= pd.Series(df[‘Title’])

步骤5:运行并测试推荐模型

最后一步是创建一个函数，该函数将电影标题作为输入，并返回10部最相似的电影。 该函数将输入的电影标题与相似矩阵的对应索引进行匹配，并按降序提取相似值行。 提取前11个值并删除第一个索引(即输入影片本身)，可以找到前10部最相似的影片。

defrecommend(title, cosine_sim = cosine_sim):

recommended_movies = []

idx = indices[indices == title].index[0]

score_series = pd.Series(cosine_sim[idx]).

sort_values(ascending= False)

top_10_indices =list(score_series.iloc[1:11].index)

for i in top_10_indices:

recommended_movies.append(list(df[‘Title’])[i])

return recommended_movies

现在准备测试模型。 输入小芯最喜欢的电影《复仇者联盟》，看看推荐。

re commend(‘TheAvengers’)

与《复仇者联盟》最相似的10部电影

结论

该模型推荐了非常相似的电影。 根据小芯对漫威的了解，可以看到所推荐电影的导演和情节的相似之处。

现在，小芯已经看了大部分推荐的电影，并期待观看少数几部没看过的电影。

大家快来试试吧~

推荐阅读专题

留言 点赞 发个朋友圈

我们一起分享AI学习与发展的干货

编译组： 齐欣、王努铱

相关链接：

https://www.kdnuggets.com/2019/11/content-based-recommender-using-natural-language-processing-nlp.html

如需转载，请后台留言，遵守转载规范

推荐文章阅读

ACL2018论文集50篇解读

EMNLP2017论文集28篇论文解读

2018年AI三大顶会中国学术成果全链接

ACL2017 论文集：34篇解读干货全在这里

10篇AAAI2017经典论文回顾

长按识别二维码可添加关注

读芯君爱你