literary-works-recommendation-algorithm

KO | EN

gitlite — search

#react #ai #golang #android #machine-learning #rust #docker #java #awesome #kubernetes #openai #ios #mcp #open-source

literary-works-recommendation-algorithm

(★ 9)

基于混合推荐算法的文学作品推荐系统-算法后端

literary-works-recommendation-algorithm 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

## 基于混合推荐算法的文学作品推荐系统
1. 前端 https://github.com/Luyabs/literary-works-recommendation-frontend
2. 业务后端 https://github.com/Luyabs/literary-works-recommendation-backend
3. `你在这` 算法端 https://github.com/Luyabs/literary-works-recommendation-algorithm

## 前言
本项目为基于数据库技术的在线更新图书推荐系统（算法部分），算法部分基于矩阵分解模型、因子分解机和深度学习模型实现。

## 项目环境
> Python: 3.9  (至少是Python 3)    
> MySQL：8.0  
> 依赖：numpy, torch, pandas, pymysql, tqdm, transformers(来自huggingface, 如不使用该模型跳过)；如果没有安装直接装最新版

## 项目运行
1. **启动前配置**: 在本项目中你需要在项目的最外层根目录中创建一个数据库配置文件，文件名：db-config.json
```json
// 这是新版文件配置内容 db-config.json
{
  "mysql": {
    "host": "localhost",   // 你的MySQL地址 [需更改 本地运行的数据库不用改]
    "port": 3306,          // 你的MySQL端口 [需更改 但大概率是3306]
    "user": "root",        // 你的MySQL用户名 [需更改 但大概率是root]
    "password": "PASSSSSSSSWORD",    // 你的MySQL密码 [需更改]
    "database": "literary_works_recommendation_platform"  // 需要创建一个同名database!
  }
}
```
> 以下是旧版配置文件，使用yaml，该库不怎么支持Linux环境，故更换为上方json配置，如果要保留旧版配置文件，请自行修改base_mysql_connector.py文件：
```yaml
# 这是文件内容 config.yaml
mysql:
  host: 'localhost'  # 你的MySQL地址 [需更改 本地运行的数据库不用改]
  port: 3306   # 你的MySQL端口 [需更改 但大概率是3306]
  user: 'root'  # 你的MySQL用户名 [需更改 但大概率是root]
  password: 'PASSSSSSSSWORD'  # 你的MySQL密码 [需更改]
  database: 'literary_works_recommendation_platform'
```
2. 数据库导入：先创建叫literary_works_recommendation_platform的数据库，再运行literary_works_recommendation_platform.sql
3. **2种数据库创建方式：** ***1. <`推荐`直接使用SQL文件运行创建>*** ***[点我下载(百度云)](https://pan.baidu.com/s/1jqdbz_LgSQe8Da-3Yu34yg?pwd=6666)***  ***2. <基于Python从dat文件导入数据库并用爬虫扩展>*** 将数据导入数据库：运行文件 raw_data/save_into_db.py; `(如果不想获取图书封面和简介信息可不运行爬虫；爬虫运行会受豆瓣反爬限制，需要多爬几次)`运行爬虫扩展数据：运行文件 raw_data/crawler.py
4. **2种模型参数获取方式：** ***1. <`推荐`直接在model_and_train目录下训练模型，自己调整模型结构和炼丹>*** ***2. <[点我获取训练好的模型参数(百度云)](https://pan.baidu.com/s/1jqdbz_LgSQe8Da-3Yu34yg?pwd=6666): 导入到model_params目录下>*** 
5. `(如果不想更换controller的模型可跳过)` controller默认使用lfm做召回模型、fm做精排模型，如果准备替换自行修改代码
6. `(如果不使用新模型可跳过)` 将BERT权重文件下载导入到model_and_train/multi_feature_fm/base_bert_chinese目录下， ***[点击下载BERT权重文件(hugging_face)](https://huggingface.co/google-bert/bert-base-chinese/blob/main/pytorch_model.bin)***
7. 运行**算法后端**：运行文件 controller/recommed_controller.py

## 项目结构
1. controller：由Flask实现的简易后端  
2. mapper：封装与数据库进行交互的函数工具类  
3. model_and_train：含模型(deep_fm, fm, lfm)文件(xxx_model.py)，训练、测试(数据集与top-k测试)、预测、召回文件(xxx_trainer_and_predictor.py)与对数据库索引映射到从0开始的自然数文件(id_mapping.py)
4. model_params: 模型参数保存位置，每个模型参数约300MB，放到云盘自行下载 ***[点我获取训练好的模型参数(百度云)](https://pan.baidu.com/s/1jqdbz_LgSQe8Da-3Yu34yg?pwd=6666)***
5. mysql_connector: 对pymysql进行封装，通过config.yaml进行配置
6. raw_data: 存放预处理后的数据集(原数据集：***[豆瓣图书数据集](https://aistudio.baidu.com/datasetdetail/7492)***，将数据集导入导数据库的文件(save_into_db.py)与通过爬虫扩充数据的文件(crawler.py)

## 项目整体架构
![image](https://github.com/Luyabs/literary-works-recommendation-backend/assets/74538732/a3344555-7c3e-498e-a794-06a25da84354)

## 算法端架构
![image](https://github.com/Luyabs/literary-works-recommendation-algorithm/assets/74538732/262ddcde-ca79-4042-9d7d-de8bdd7fc8f1)

## 算法模型
![image](https://github.com/Luyabs/literary-works-recommendation-algorithm/assets/74538732/fc0ead24-dec2-4b6b-84a9-d162a572da39)
![image](https://github.com/Luyabs/literary-works-recommendation-algorithm/assets/74538732/eeaa8d8f-0ba1-4514-b1d0-9030d9404777)
![image](https://github.com/Luyabs/literary-works-recommendation-algorithm/assets/74538732/67a85b5f-bb25-44f4-b43e-697ad59ff24d)
- 新模型在DeepFM的基础上增加了对文学作品简介（Introduction属性）的语义特征提取；并增加了标签经BERT的语义表示和标签离散化ID表示的Embedding编码的对比学习：
![图片2](https://github.com/user-attachments/assets/874942be-209a-43ec-b82b-649f4933962b)
![fea_extraction](https://github.com/user-attachments/assets/e6ecd1ee-6ae0-46d5-afa5-2706a0ab3e1a)

## 混合推荐算法流程
1.	设置用户Id：user_id，推荐数量k，评分最低阈值threshold，混合权重mix_weight
2.	使用LFM模型进行召回（预测该用户与所有文学作品的评分），该次召回会得到长度为min(2000, k * 75)的文学作品列表（列表第一列为作品Id，第二列为作品在LFM模型下的评分），且列表中作品评分均≥threshold
3.	使用FM（或Deep FM）模型对步骤2得到的列表再次进行预测，得到长度为min(2000, k * 75)的文学作品列表 (列表第一列为作品Id，第二列为作品在FM（或Deep FM）模型下的评分(该模型输出的点击率会乘5以放大至[0,5]区间作为评分))
4.	合并2与3中列表的第二列，其中将最终评分设置为：LFM评分 * mix_weight + FM（或Deep FM）评分 * (1- mix_weight)
5.	依据最终评分对list排序，并筛选出列表的前k * 5个元素
6.	依概率（作品评分正比于被选择的概率）从这些元素中选取k个返回
7.	(于业务后端完成) 如果这k个推荐结果中存在目标用户已经评价过的文学作品，则将从最热门的k * 100个作品中随机等量选择以替换这些作品

## 基于Embedding的近似向量推荐流程
1.	设置文学作品Id：work_id，推荐数量k
2.	从LFM模型取出作品嵌入查找表E（即从模型取出Embedding层的参数）
3.	根据work_id，从查找表中取出对应的作品隐向量v
4.	计算该作品隐向量v与查找表E中每一行的余弦相似度
5.	依据该相似度进行排序，并筛选出列表的前k * 5个元素
6.	依概率从这些元素中选取k个返回
7.	(于业务后端完成) 如果这k个推荐结果中存在目标用户已经评价过的文学作品，则将从最热门的k * 100个作品中随机等量选择以替换这些作品

## 索引映射
```text
在以上的模型构建中，均用到了Embedding层。Embedding层接收一个整型输入（范围为0~n-1，n为隐向量的个数），并返回对应位置的隐向量，该层非常类似一个隐向量数组。  
而由于本项目中的系统中无论是作品Id、用户Id还是作品标签Id虽然是整数，但在数据库中的记录都并非从0开始，也不连续。因此需要做索引映射，以将离散的Id一一映射成连续的自然数序列。  
这个索引映射通过创建三个字典（哈希表）实现。字典的键为离散Id，值为可以作为Embedding输入的连续Id，这种键值对设计的好处在于：由于值连续，因此值可以作为字典键列表的下标，根据值快速反查键，实现双向的查找表。  
在推荐系统启动时，会初始化一个Id Mapping类的对象，并从数据库中读取“离散Id与连续Id”的映射关系，并加载到三个字典中。之后，每次将输入送入模型时，都会根据字典将数据库中直接读取的Id映射为可以被Embedding接收的Id，再通过Embedding层转换为隐向量以进行后续操作。  
需要注意的是，在本系统中离散Id（也是表的主键）与连续Id的映射关系并不需要保存到本地，而是从数据库中查找{Id(主键), 该此查找中该记录所在行号 - 1}来确定映射关系。如通过以下SQL语句：“select user_id, ROW_NUMBER() over (ORDER BY user_id) - 1 as seq_id from user;”。这样处理的好处是不用额外存储该映射关系，但需要正确维护数据表结构，不能随便删除数据，只能采用逻辑删除方式，等到要重新训练模型前才允许物理删除数据，否则会引起Embedding的查找错误，如越界错误或索引不正确。
```

## 增量训练
```text
增量训练是推荐系统重要的问题之一，对于一个推荐系统，必然做好要接收新数据，时刻更新模型的准备。本系统没有非常高的实时性需求，因此选择了定时更新方案。在整个系统（前端、算法后端、业务后端）启动后，会通过业务后端的定时任务，请求算法后端每30分钟更新前30分钟的新数据（用户对物品的新评价）；每天00：00更新前一日的新数据。同时通过在数据中混入一定比例的旧数据（设置为新：旧=1：3）来更新模型，以起到让模型同时学习新知识和巩固旧知识的效果。  
此外，在本系统的算法后端，训练与预测在同一个项目内，因此训练后的模型可以通过赋值的方式替换老模型。这样可以在训练模型的过程中，同时让老模型保持工作，维持系统的稳定性。  
考虑到并发安全性与算力条件，系统一次仅允许进行一种训练，过程中采用互斥锁来限制。在业务后端请求算法后端进行训练前会检查该锁有没有被占用，如果被占用则直接放弃训练，否则获取锁开始训练。同时由于算法后端使用了多种推荐算法，因此每次更新需要额外设置锁，来确保所有模型的更新是原子性操作。   
值得一提的是，系统可能随时都有新用户、新文学作品、文学作品的新标签加入。因此在模型增量训练前，这些新东西必然不在Embedding查找表的索引之内，无法被正确的映射成隐向量。本系统采用的解决方案是：所有关于这些新东西的推荐都将直接返回热门作品，不对新数据执行任何推荐算法或在推荐算法中使用这些新数据；而在增量训练时，会创建新的更大规模的Embedding层，并将之前已训练的参数赋值回新的更大规模的模型的前几层（如果维护数据表中的Id保持递增特性，则数据表新增的Id一定对应Embedding的最后几个索引，且之前的索引相对位置保持不变），这样能起到迭代训练的效果。   
需注意索引映射由于增量训练的存在，需要为每一个模型保持一份独立的索引映射对象，并在增量训练时分别独立更新，以免进行Embedding时产生越界错误。
```

## 爬虫流程
1. 将<作品Id，作品名，作品标签>导入work表中，作品标签以字符串形式存储
2. 将<用户名>导入user表中，通过递增主键生成用户Id，约40万用户
3. 将评分记录<用户名，作品Id，评分>导入review_user_work表
4. 根据评分记录，修改work表的sum_rating与sum_rating_user_number字段
5. 删除出现在<用户名，作品Id，评分>三元组文件中，但未出现在<作品Id，作品名，作品标签>文件中的所有评分记录（约删除1万个未知作品名，但存在评分的评分记录）
6. 将<作品标签>同时导入tag与record_tag_work表中
7. 以上操作在导入（INSERT）过程中，同时手动插入当前时间到update_time与create_time两个字段，格式yyyy-MM-dd hh:MM:ss

literary-works-recommendation-algorithm

literary-works-recommendation-algorithm 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

literary-works-recommendation-algorithm

literary-works-recommendation-algorithm 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README