放牧代码和思想
专注自然语言处理、机器学习算法
    愛しさ 優しさ すべて投げ出してもいい

3.3 推荐朋友、文章与新闻报道

目录

3.3.1 简介

3.3.2 发现朋友

三角效应

3.3.3 DiggDelphi的内部工作机制

 

       这一节的目标是实现一个类似豆瓣的网站,目的在于鉴别出具有相似观点的用户、有相似评论的文章以及相似内容的新闻报道。而且还能推荐给用户有共同兴趣的小组。

3.3.1 简介

       对于网站的每个栏目,找出排名最高的文章,同时得到喜欢这些文章的用户以及他们的条目列表。

       对于每个用户的每个条目,基于条目内容的相似性找出10个由其他用户发布的条目。

       假定这些条目都被用户打了分,打分规则和前面一样。

3.3.2 发现朋友

package com.hankcs;

import iweb2.ch3.collaborative.data.*;
import iweb2.ch3.collaborative.model.SimilarUser;
import iweb2.ch3.collaborative.model.User;
import iweb2.ch3.collaborative.recommender.Delphi;
import iweb2.ch3.collaborative.recommender.DiggDelphi;
import iweb2.ch3.collaborative.similarity.RecommendationType;

public class ch3_5_Digg_ContentAndRatings
{
    public static void main(String[] args) throws Exception
    {
        // Load data from Digg and save them in a file
        // BaseDataset ds = DiggData.loadDataFromDigg("C:/iWeb2/data/ch03/digg_stories.csv");

        // Load previously saved data
        BaseDataset ds = DiggData.loadData("C:/iWeb2/data/ch03/digg_stories.csv");


// 2. Pick a user randomly or by username
//        iweb2.ch3.collaborative.model.User user = ds.getUser(1);

// Or pick some specific user by username
//DiggData.showUsers();
        User user = ds.findUserByName("adamfishercox");


// 3. Show similar users
        DiggDelphi delphi = new DiggDelphi(ds);

        SimilarUser[] similarUsers = delphi.findSimilarUsers(user);
        delphi.recommend(user);

        iweb2.ch3.collaborative.model.User u2 = ds.findUserByName(similarUsers[0].getName());
        similarUsers = delphi.findSimilarUsers(u2);
        delphi.recommend(u2);


        iweb2.ch3.collaborative.model.User u3 = ds.findUserByName(similarUsers[0].getName());
        delphi.findSimilarUsers(u3);
        delphi.recommend(u3);
    }
}

       

报错

ERROR:

Failed to load properties from resource: '/iweb2.properties'.

null

Exception in thread "main" java.lang.ExceptionInInitializerError

       at iweb2.ch3.collaborative.similarity.SimilarityMatrixRepository.<init>(SimilarityMatrixRepository.java:14)

       at iweb2.ch3.collaborative.recommender.Delphi.<init>(Delphi.java:50)

       at iweb2.ch3.collaborative.data.DiggData.createItemContentDelphi(DiggData.java:311)

       at iweb2.ch3.collaborative.data.DiggData.createDataset(DiggData.java:236)

       at iweb2.ch3.collaborative.data.DiggData.loadData(DiggData.java:164)

       at com.hankcs.ch3_5_Digg_ContentAndRatings.main(ch3_5_Digg_ContentAndRatings.java:30)

       at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)

       at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)

       at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)

       at java.lang.reflect.Method.invoke(Method.java:606)

       at com.intellij.rt.execution.application.AppMain.main(AppMain.java:120)

Caused by: java.lang.RuntimeException: Failed to load properties from resource: '/iweb2.properties'.

       at iweb2.util.config.IWeb2Config.<clinit>(IWeb2Config.java:50)

       … 11 more

Caused by: java.lang.NullPointerException

       at java.util.Properties$LineReader.readLine(Properties.java:434)

       at java.util.Properties.load0(Properties.java:353)

       at java.util.Properties.load(Properties.java:341)

       at iweb2.util.config.IWeb2Config.<clinit>(IWeb2Config.java:45)

       … 11 more

       C:\iWeb2\deploy\conf\iweb2.properties等三个文件放到C:\iWeb2\out\production\iWeb2目录下:

三角效应

       A的最好朋友是BB的某个朋友是CC的某个朋友只存在A的好友列表中却不存在于B的好友列表中。其实我没有感到任何有趣之处……

 

3.3.3 DiggDelphi的内部工作机制

       这是对上一节的三个推荐器的包装,通过综合三个推荐器的结果得出最终的结果。

 /**
     * 通过用户间相似度及用户的内容相似度来寻找相似用户
     * @param user
     * @param topN
     * @return
     */
    public SimilarUser[] findSimilarUsers(User user, int topN)
    {
        List<SimilarUser> similarUsers = new ArrayList<SimilarUser>();

        // 将通过两种方法找到的用户简单地放到一起
        // 基于内容
        SimilarUser[] simU = delphiUC.findSimilarUsers(user, topN);
        similarUsers.addAll(Arrays.asList(simU));

        // 基于用户相似度
        simU = delphiUR.findSimilarUsers(user, topN);
        similarUsers.addAll(Arrays.asList(simU));
        // SimilarUser.print(simU, "Top Friends for user " + user.getName() + ":");

        return SimilarUser.getTopNFriends(similarUsers, topN);
    }

       将三个推荐器的结果走如下工序:

?      // 各推荐器计算其最大预测评分

?      // 缩放值 = 三者最大值 / 当前最大值

?      // 设置阀值 = 0.5 * 缩放值

?      // 排除小于阀值的条目

?      // 否则缩放

?      // 建立三种推荐器结果的交集

?      // 处理每一个条目

?      // 最终值取平均

    /**
     * 通过用户-条目-内容、用户、条目相似度来做出推荐
     * @param user
     * @param topN
     * @return
     */
    public List<PredictedItemRating> recommend(User user, int topN)
    {
        List<PredictedItemRating> recommendations = new ArrayList<PredictedItemRating>();

        //Establish a relative scaling factor
        double maxR = -1.0d;

        // Get the maximum predicted ratings from each recommender
        // 各推荐器计算其最大预测评分
        double maxRatingDelphiUIC = delphiUIC.getMaxPredictedRating(user.getId());
        double maxRatingDelphiUR = delphiUR.getMaxPredictedRating(user.getId());
        double maxRatingDelphiIR = delphiIR.getMaxPredictedRating(user.getId());

        // Find the maximum predicted rating across all recommendations
        // 各推荐器的最大预测评分
        double[] sortedMaxR = {maxRatingDelphiUIC, maxRatingDelphiUR, maxRatingDelphiIR};

        Arrays.sort(sortedMaxR);

        // 最大的预测评分
        maxR = sortedMaxR[2]; // This is the maximum predicted rating

        // auxiliary variable
        // 辅助变量
        double scaledRating = 1.0d;

        // Recommender 1 -- User-to-Item content based
        // 缩放值 = 三者最大值 / 当前最大值
        double scaling = maxR / maxRatingDelphiUIC;

        //Set an ad hoc threshold and scale it
        // 设置阀值 = 0.5 * 缩放值
        double scaledThreshold = 0.5 * scaling;

        List<PredictedItemRating> uicList = new ArrayList<PredictedItemRating>(topN);
        uicList = delphiUIC.recommend(user, topN);

        for (PredictedItemRating pR : uicList)
        {

            scaledRating = pR.getRating(6) * scaling;

            // 排除小于阀值的条目
            if (scaledRating < scaledThreshold)
            {
                uicList.remove(pR);
            }
            else
            {
                // 否则缩放
                pR.setRating(scaledRating);
            }
        }

        // Recommender 2 -- User based collaborative filtering
        scaling = maxR / maxRatingDelphiUR;
        scaledThreshold = 0.5 * scaling;

        List<PredictedItemRating> urList = new ArrayList<PredictedItemRating>(topN);
        urList = delphiUR.recommend(user, topN);

        for (PredictedItemRating pR : urList)
        {

            scaledRating = pR.getRating(6) * scaling;

            if (scaledRating < scaledThreshold)
            {
                urList.remove(pR);
            }
            else
            {
                pR.setRating(scaledRating);
            }
        }

        // Recommender 3 -- Item based collaborative filtering
        scaling = maxR / maxRatingDelphiIR;
        scaledThreshold = 0.5 * scaling;

        List<PredictedItemRating> irList = new ArrayList<PredictedItemRating>(topN);
        irList = delphiIR.recommend(user, topN);

        for (PredictedItemRating pR : irList)
        {

            scaledRating = pR.getRating(6) * scaling;

            if (scaledRating < scaledThreshold)
            {
                irList.remove(pR);
            }
            else
            {
                pR.setRating(scaledRating);
            }
        }
        
        /*
         *  At this point, uicList, urList, and irList contain ratings  
         *  that are scaled and exceed the threshold value.
         *  
         */
        double uicRating = 0;
        double urRating = 0;
        double irRating = 0;
        double vote = 0;

        // build a set of items produced by all recommenders
        // 建立三种推荐器结果的交集
        Set<Integer> allRecommendedItems = new HashSet<Integer>();
        for (PredictedItemRating pir : urList)
        {
            allRecommendedItems.add(pir.getItemId());
        }
        for (PredictedItemRating pir : irList)
        {
            allRecommendedItems.add(pir.getItemId());
        }
        for (PredictedItemRating pir : uicList)
        {
            allRecommendedItems.add(pir.getItemId());
        }

        // 处理每一个条目
        for (Integer itemId : allRecommendedItems)
        {
            //Initialize
            uicRating = 0;
            urRating = 0;
            irRating = 0;
            vote = 0;

            for (PredictedItemRating uic : urList)
            {
                if (itemId == uic.getItemId())
                {
                    uicRating = uic.getRating(6);
                }
            }

            for (PredictedItemRating ur : urList)
            {
                if (itemId == ur.getItemId())
                {
                    urRating = ur.getRating(6);
                }
            }

            for (PredictedItemRating ir : irList)
            {
                if (itemId == ir.getItemId())
                {
                    irRating = ir.getRating(6);
                }
            }

            // 最终值取平均
            vote = (uicRating + urRating + irRating) / 3.0d;

            recommendations.add(new PredictedItemRating(user.getId(), itemId, vote));
        }

        rescale(recommendations, maxR);

        return PredictedItemRating.getTopNRecommendations(recommendations, topN);
    }

知识共享许可协议 知识共享署名-非商业性使用-相同方式共享码农场 » 3.3 推荐朋友、文章与新闻报道

评论 欢迎留言

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

我的作品

HanLP自然语言处理包《自然语言处理入门》