如何為「紐約時報」開發基於內容的推薦系統
我們在幫助紐約時報（The New York Times，以下簡稱NYT）開發一套基於內容的推薦系統，大家可以把這套系統看作一個非常簡單的推薦系統開發示例。依託使用者近期的文章瀏覽資料，我們會為其推薦適合閱讀的新文章，而想做到這一點，只需以這篇文章的文字資料為基礎，推薦給使用者類似的內容。
資料檢驗以下是資料集中第一篇NYT文章中的摘錄，我們已經做過文字處理。
'TOKYO — State-backed Japan Bank for International Cooperation [JBIC.UL] will lend about 4 billion yen ($39 million) to Russia's Sberbank, which is subject to Western sanctions, in the hope of advancing talks on a territorial dispute, the Nikkei business daily said on Saturday, [...]"
首先需要解決的問題是，該如何將這段內容向量化，並且設計諸如Parts-of-Speech 、N-grams 、sentiment scores 或 Named Entities等新特徵。
顯然NLP tunnel有深入研究的價值，甚至可以花費很多時間在既有方案上做實驗。但真正的科學往往是從試水最簡單可行的方案開始的，這樣後續的迭代才會愈加完善。
而在這篇文章中，我們就開始執行這個簡單可行的方案。
資料拆分我們需要將標準資料進行預加工，方法是確定資料庫中符合要求的特徵，打亂順序，然後將這些特徵分別放入訓練和測試集。
# move articles to an array articles = df.body.values # move article section names to an array sections = df.section_name.values # move article web_urls to an array web_url = df.web_url.values # shuffle these three arrays articles, sections, web_ur = shuffle(articles, sections, web_url, random_state=4) # split the shuffled articles into two arrays n = 10 # one will have all but the last 10 articles -- think of this as your training set/corpus X_train = articles[:-n] X_train_urls = web_url[:-n] X_train_sections = sections[:-n] # the other will have those last 10 articles -- think of this as your test set/corpus X_test = articles[-n:] X_test_urls = web_url[-n:] X_test_sections = sections[-n:] 複製程式碼
文字向量化系統可以從Bag-of-Words(BoW)、Tf-Idf、Word2Vec等幾種不同的文字向量化系統中選擇。
我們選擇Tf-Idf的原因之一是，不同於BoW，Tf-Idf識別詞彙重要性的方式除文字頻率外，還包括逆文件頻率。
舉例，一個像“Obama”這樣的詞彙雖然在文章中僅出現幾次（不包括類似“a”、“the”這樣不能傳達太多資訊的詞彙），但出現在多篇不同的文章中，那麼就應該得到更高的權重值。
因為“Obama”既不是停用詞，也不是日常用語（即說明該詞彙與文章主題高度相關）。
相似性準則確定相似性準則時有好幾種方案，比如將Jacard和Cosine做對比。
Jacard的實現依靠兩集之間的比較及重疊元素選擇。考慮到已選擇Tf-Idf作為文字向量化系統，作為選項，Jacard相似性並無意義。如果選擇BoWs向量化，可能Jacard可能才能發揮作用。
因此，我們嘗試將Cosine作為相似性準則。
從Tf-Idf為每篇文章中的每個標記分配權重開始，就能夠從不同文章標記的權重之間取點積了。
如果文章A中類似“Obama” 或者“White House”這樣的標記權重較高，並且文章B中也是如此，那麼相對於文章B中相同標記權重低的情況來說，兩者的相似性乘積將得出一個更大的數值。
建立推薦系統根據使用者已讀文章和所有語料庫中的其他文章（即訓練資料）的相似性數值，現在你就可以建立一個輸出前N篇文章的函式，然後開始給使用者推薦了。
def get_top_n_rec_articles(X_train_tfidf, X_train, test_article, X_train_sections, X_train_urls, n = 5): '''This function calculates similarity scores between a document and a corpus INPUT: vectorized document corpus, 2D array text document corpus, 1D array user article, 1D array article section names, 1D array article URLs, 1D array number of articles to recommend, int OUTPUT: top n recommendations, 1D array top n corresponding section names, 1D array top n corresponding URLs, 1D array similarity scores bewteen user article and entire corpus, 1D array ''' # calculate similarity between the corpus (i.e. the "test" data) and the user's article similarity_scores = X_train_tfidf.dot(test_article.toarray().T) # get sorted similarity score indices sorted_indicies = np.argsort(similarity_scores, axis = 0)[::-1] # get sorted similarity scores sorted_sim_scores = similarity_scores[sorted_indicies] # get top n most similar documents top_n_recs = X_train[sorted_indicies[:n]] # get top n corresponding document section names rec_sections = X_train_sections[sorted_indicies[:n]] # get top n corresponding urls rec_urls = X_train_urls[sorted_indicies[:n]] # return recommendations and corresponding article meta-data return top_n_recs, rec_sections, rec_urls, sorted_sim_scores 複製程式碼
以下是該函式的執行步驟：
1.計算使用者文章和語料庫的相似性；
2.將相似性分值從高到低排序；
3.得出前N篇最相似的文章；
4.獲取對應前N篇文章的小標題及URL；
5.返回前N篇文章，小標題，URL和分值
結果驗證現在我們已經可以根據使用者正在閱讀的內容，為他們推薦可供閱讀的文章來檢測結果是否可行了。
接下來讓我們將使用者文章和對應小標題與推薦文章和對應小標題作對比。
首先看一下相似性分值。
# similarity scores sorted_sim_scores[:5] # OUTPUT: # 0.566 # 0.498 # 0.479 # . # . 複製程式碼
Cosine相似度的取值範圍在0-1，由此可見其分值並不高。該如何提高分值呢？ 可以選擇類似Doc2Vec這樣不同的向量化系統，也可以換一個相似性準則。儘管如此，還是讓我們來看一下結果。
# user's article's section name X_test_sections[k] # OUTPUT: 'U.S' # corresponding section names for top n recs rec_sections # OUTPUT: 'World' 'U.S' 'World' 'World' 'U.S.' 複製程式碼
從結果可以看出，推薦的小標題是符合需要的。
#user's article X_test[k] 'LOS ANGELES — The White House says President Barack Obama has told the Defense Department that it must ensure service members instructed to repay enlistment bonuses are being treated fairly and expeditiously.\nWhite House spokesman Josh Earnest says the president only recently become aware of Pentagon demands that some soldiers repay their enlistment bonuses after audits revealed overpayments by the California National Guard. If soldiers refuse, they could face interest charges, wage garnishments and tax liens.\nEarnest says he did not believe the president was prepared to support a blanket waiver of those repayments, but he said "we're not going to nickel and dime" service members when they get back from serving the country. He says they should not be held responsible for fraud perpetrated by others.'
前五篇推薦文章都與讀者當前閱讀的文章相關，事實證明該推薦系統符合預期。
關於驗證的說明通過比較推薦文字和小標題的ad-hoc驗證過程，表明我們的推薦系統可以按照要求正常執行。
人工驗證的效果還不錯，不過我們最終希望得到的是一個完全自動化的系統，以便於將其放入模型並自我驗證。
如何將該推薦系統放入模型不是本文的主題，本文旨在說明如何在真實資料集的基礎上設計這樣的推薦系統原型。
原文作者為資料科學家 Alexander Barriga ，由國內智慧推薦平臺 ofollow,noindex">先薦_個性化內容推薦專家 編譯，部分有刪改，轉載請註明出處。