音乐推荐系统demo，针对用户画像、行为特征构建推荐系统。使用cb、cf算法做推荐召回，使用redis数据库做缓存处理，结合LR算法推荐排序，达到粗排、精排效果，实现个性化推荐。
https://github.com/GoAlers/music-top-recommend
1.预处理阶段： 对三个数据进行预处理，合并用户与物品相关信息，处理后的merge_base.data数据字段包含itemid、userid、用户信息(年龄、性别、收入、地区)、物品信息（名字、描述、时长、标签）、用户行为数据(收听时长)等。 2.粗排召回阶段 使用CB算法，基于内容进行jieba中文分词，计算itemid对应分词的tfidf分数，整理训练数据；使用mr协同过滤进行相关性计算，训练得到物品之间对应分数item-item能得到II矩阵；而CF算法则通过协同过滤将UI矩阵转成II矩阵。最后，将格式化后数据结果按k/v形式批量灌入redis数据库。 3.精排阶段利用LR算法进行推荐排序，得到权重w、b用于模型构建rank_model。结合用户与物品标签获取用户与物品特征训练数据。 4.推荐流程阶段加载特征数据及排序模型，检索redis数据库获取候选集，利用逻辑回归sigmoid函数打分并排序，最终利用可视化页面实现itemid->name进行top10评分相关推荐。
1、数据预处理（用户画像数据、物品元数据、用户行为数据） 2、召回（CB、CF算法） 3、LR训练模型的数据准备，即用户特征数据，物品特征数据 4、模型准备，即通过LR算法训练模型数据得到w，b 5、推荐系统流程：初始化加载data，获取user_feature.data，item_feature.data特征 ，用字典维护。 （1）解析请求：userid，itemid （2）加载模型：加载排序模型（model.w，model.b） （3）检索候选集合：利用cb，cf去redis里面检索数据库，得到候选集合 （4）获取用户特征user_feature.data ：userid （5）获取物品特征item_feature.data ：itemid （6）打分(逻辑回归函数sigmoid: 1 / (1 + exp(-wx)))，排序 （7）top-n过滤（精排） （8）数据包装（itemid->name），返回
数据集： 默认以’\001’分割 1.用户画像数据（user_profile.data） 字段：userid, gender, age, salary, location userid，性别，年龄，收入，地域 00dee4bd83b6c115b865a64e92745000,男,26-35,10000-20000,台湾 000798c9a4cab6d6b3065e287d917000,女,36-45,5000-10000,陕西 00a2fe08da2621d2e9dd3ff7f89e7000,女,19-25,20000-100000,宁夏 009cb9b50e1c38e6e8d70b9accc08000,男,26-35,10000-20000,新疆 0182020bfb3e321a852abc857e2c9000,男,46-100,10000-20000,山西
2.物品元数据（music_meta） 字段：itemid, name, desc, total_timelen, location, tags itemid,name,内容 ,时长，地域，标签 1084709100 outta my head 周杰伦MV-范特西 227 周杰伦MV 1119509100 GEE 少女时代 舞蹈，舞蹈教学 197 舞蹈，舞蹈教学,流行 1126809100 SPICA - You Don’t Love Me 敬请期待先上预告 24 他不爱我预告 1144209100TAE MIN - Steps 总理和我在OST 218 东方神起TAE,流行
3.用户行为数据（user_watch_pref.sml） userid，itemid，用户对item收听时长，点击时间（小时） 01e3fdf415107cd6046a07481fbed499 6470209102 555 16 01e3fdf415107cd6046a07481fbed499 6470209102 2024 22 012e5c128fbe16c302c9a12f9238f871 6470209102 1047 13 012e5c128fbe16c302c9a12f9238f871 6470209102 1155 10 01e3fdf415107cd6046a07481fbed499 6470209102 795 22
1、数据预处理：
总体思路：处理原始的数据，将用户画像数据 、物品元数据、用户行为数据，3份融合到一起，得到处理后merge_base.data，用于cb、cf算法进行计算。
python gen_base.py
#coding=utf-8 import sys #找到三类原始数据文件，用户画像数据、物品元数据，用户行为数据 user_action_data = '../data/user_watch_pref.sml' music_meta_data = '../data/music_meta' user_profile_data = '../data/user_profile.data' ##将合并后的元数据放到新的文件里 output_file = '../data/merge_base.data' # 将3份数据merge后的结果输出，供下游数据处理 ofile = open(output_file, 'w') # step 1. 处理物品元数据，将处理后的结果放入字典里面，key是itemid，value为物品对应的信息，为最后写入做准备 item_info_dict = {} with open(music_meta_data, 'r') as fd: for line in fd: ss = line.strip().split('\001') if len(ss) != 6: continue itemid, name, desc, total_timelen, location, tags = ss item_info_dict[itemid] = '\001'.join([name, desc, total_timelen, location, tags]) # step 2. 处理用户画像数据，将处理后的结果放入字典里面，key是用户id，value是用户信息 user_profile_dict = {} with open(user_profile_data, 'r') as fd: for line in fd: ss = line.strip().split(',') if len(ss) != 5: continue userid, gender, age, salary, location = ss user_profile_dict[userid] = '\001'.join([gender, age, salary, location]) # step 3. 写入最后的信息，将用户行为数据进行处理，把step1和step2得到的数据一并归纳在文件里面 with open(user_action_data, 'r') as fd: for line in fd: ss = line.strip().split('\001') if len(ss) != 4: continue userid, itemid, watch_len, hour = ss if userid not in user_profile_dict: continue if itemid not in item_info_dict: continue ofile.write('\001'.join([userid, itemid, watch_len, hour, \ user_profile_dict[userid], item_info_dict[itemid]])) ofile.write("\n") ofile.close()合并后得到类似下面数据merge_base.data 数据字段包含itemid、userid、用户信息(年龄、性别、收入、地区)、物品信息（名字、描述、时长、标签）、用户行为数据(收听时长)
2、【召回】CB算法
【注：CF、CB只是数据形态不一样，逻辑是一样的，都是计算矩阵两两元素之间的分数，即相关性,都可以套用协同过滤模板得到ii矩阵】 进一步说明：最后得到基于cb的 II 矩阵，输出得到 cb_result 数据，即 mr_cf 程序（只是数据源变了）。在这里输入数据是 cb_train.data ，内容是 token、itemid、score ，相当于CB算法基于item属性的CB，输出则是itemid、itemid、score。 即：正排表：item ——> token、token、token 倒排表：token ——> item、item、item CF:user,item，score -》item item sim CB:token，item，score -》item item sim
总体思路：将初始化好的用户，物品，用户行为数据进行处理，对item去重，目的是为了得到token，itemid，score，对于生成的数据里面的name，将itemName进行分词，得到tfidf权重，同时将desc进行分词，处理name和desc。
代码思路：元数据中tags已经分类好无需再次进行切分，只需要用idf词表查处权重即可，针对name、desc、tags三个分词结果，适当调整name权重比例，分别对这三类得出的分数再次进行分数权重划分，最后得到cb的初始数据。
（1）利用jieba分词，对item name进行中文分词，item —> name desc tag ，对每个item的这三个字段进行分词并计算score，将数据用字典token_dict维护执行python gen_cb_train.py
#coding=utf-8 import sys sys.path.append('../') reload(sys) sys.setdefaultencoding('utf-8') import jieba import jieba.posseg import jieba.analyse #读入初始数据 input_file = "../data/merge_base.data" # 输出cb训练数据 output_file = '../data/cb_train.data' outfile = open(output_file, 'w') #定义三类的权重分数（大小可自行设定） RATIO_FOR_NAME = 0.9 RATIO_FOR_DESC = 0.1 RATIO_FOR_TAGS = 0.05 #为tags读入idf权重值 idf_file = '../data/idf.txt' idf_dict = {} with open(idf_file, 'r') as fd: for line in fd: token, idf_score = line.strip().split(' ') idf_dict[token] = idf_score #开始处理初始数据 itemid_set = set() with open(input_file, 'r') as fd: for line in fd: ss = line.strip().split('\001') # 用户行为 userid = ss[0].strip() itemid = ss[1].strip() watch_len = ss[2].strip() hour = ss[3].strip() # 用户画像 gender = ss[4].strip() age = ss[5].strip() salary = ss[6].strip() user_location = ss[7].strip() # 物品元数据 name = ss[8].strip() desc = ss[9].strip() total_timelen = ss[10].strip() item_location = ss[11].strip() tags = ss[12].strip() # 对item去重，相同的itemid不用再计算，因为都一样，这里用到continue特性，当不同的时候才继续执行下面的代码 if itemid not in itemid_set: itemid_set.add(itemid) else: continue # 去掉重复后的itemid，然后我们进行分词，计算权重，放到字典里面 token_dict = {} #对name统计 for a in jieba.analyse.extract_tags(name, withWeight=True): token = a[0] score = float(a[1]) token_dict[token] = score * RATIO_FOR_NAME #对desc进行分词，这里需要注意的是描述一般会含有name中的词，这里我们把有的词的分数进行相加，没有的放入 for a in jieba.analyse.extract_tags(desc, withWeight=True): token = a[0] score = float(a[1]) if token in token_dict: token_dict[token] += score * RATIO_FOR_DESC else: token_dict[token] = score * RATIO_FOR_DESC # 对tags 进行分数计算 for tag in tags.strip().split(','): if tag not in idf_dict: continue else: if tag in token_dict: token_dict[tag] += float(idf_dict[tag]) * RATIO_FOR_TAGS else: token_dict[tag] = float(idf_dict[tag]) * RATIO_FOR_TAGS #循环遍历token_dict，输出toke，itemid，score for k, v in token_dict.items(): token = k.strip() score = str(v) ofile.write(','.join([token, itemid, score])) ofile.write("\n") outfile.close()经过数据预处理，得到如下格式的cb训练数据： tokenid itemid，score（itemid中的各个token在该item中的重要性） 哲,4090309101,0.896607562717 大连,4090309101,0.568628215367 舞曲,4090309101,0.713898826298 大美妞,4090309101,0.896607562717 网络,4090309101,0.465710816584 伤感,4090309101,0.628141853463 （注：最后一个字段不是传统的TF-IDF,因为分出的词在name,desc,tag里面权重不同，即切分单词在desc中重要性不同) （2）用协同过滤算法跑出item-item数据 求相似度的II矩阵（相似的item配对，形成II矩阵）。
相似度计算：要用到MapReduce的框架来进行，只要用到shuffle阶段，对map出来的结果排序，reduce进行两两配对，主要是wordcount逻辑，主要说下注意的部分：我们需要把两两分数的过滤掉，或是把itemA和itemB相同的item过滤掉，因为这部分数据没有任何意义。
map阶段：
总体思路：这里需要把初始化后的结果进行map排序，为了后续两两取 pair对，所以这里我们需要进行map，其实什么也不用操作输出即可
import sys import re for line in sys.stdin: ss = line.strip().split(',') if len(ss) != 3: continue r1 = u'[a-zA-Z0-9’!"#$%&\'()*+,-./:;<=>?@，。?★、…【】《》？“”‘’！[\\]^_`{|}~]+' ss[0] = re.sub(r1,'',ss[0]) if len(ss[0]) == 0: continue print ','.join([ss[0], ss[1], ss[2]])reduce阶段：
在pair reduce之前做过map操作，以token，item，score输出，所以token排序好的， 这里我们相当于求的是II矩阵，所以是相同的token的item进行相似度计算
总体思路： 1、进行user统计，若相同，把相同的user的item和score放入list里面 2、不相同，开始进行两两配对，循环该list，进行两两配对，求出相似度 import sys import math cur_token = None item_score_list = [] for line in sys.stdin: ss = line.strip().split(',') itemid = ss[1] score = float(ss[2]) if len(ss) != 3: continue if cur_token == None: cur_token = ss[0] if cur_token != ss[0]: #这里需要注意的是range的区间前闭后开，同时注意range中即使前闭后开，刚开始是从0即列表里面的第一个，循环到列表最后一个的前一个 for i in range(0,len(item_score_list)-1): for j in range(i+1,len(item_score_list)): item_a,score_a = item_score_list[i] item_b,score_b = item_score_list[j] #score = float(score_a * score_b)/float(math.sqrt(pow(score_a,2))*math.sqrt(pow(score_b,2))) #输出两遍的目的是为了形成II矩阵的对称 score = float(score_a*score_b) if item_a == item_b: continue if score < 0.08: continue print "%s\t%s\t%s" % (item_a, item_b, score) print "%s\t%s\t%s" % (item_b, item_a, score) cur_token = ss[0] item_score_list = [] item_score_list.append((itemid,float(score))) for i in range(0, len(item_score_list) - 1): for j in range(i + 1, len(item_score_list)): item_a, score_a = item_score_list[i] item_b, score_b = item_score_list[j] #score = (score_a * score_b) / (math.sqrt(pow(score_a, 2)) * math.sqrt(pow(score_b, 2)) # 输出两遍的目的是为了形成II矩阵的对称 score = float(score_a * score_b) if item_a == item_b: continue if score < 0.08: continue print "%s\t%s\t%s" % (item_a, item_b, score) print "%s\t%s\t%s" % (item_b, item_a, score)最后得到基于cb的ii矩阵
（3）对数据格式化，item-> item list形式，整理出KV形式 python gen_reclist.py
思路：上步通过CB算法得到itemA，itemB，score需要把放入到redis库，先进行数据格式化，以itemA为key与itemA有相似度的itemB，和分数，以value的形式存入内存库 1、创建一个字典，将key放入itemA，value 放入与A对应的不同b和分数 2、循环遍历字典，**将key加上前缀CB**，value以从大到小的分数进行排序，并且相同的item以——分割，item和score间用：分割 #coding=utf-8 import sys infile = '../data/cb.result' outfile = '../data/cb_reclist.redis' ofile = open(outfile, 'w') MAX_RECLIST_SIZE = 100 PREFIX = 'CB_' rec_dict = {} with open(infile, 'r') as fd: for line in fd: itemid_A, itemid_B, sim_score = line.strip().split('\t') #判断itemA在不在该字典里面，若不在，创建一个key为itemA的列表，把与itemA相关联的itemB和score添加进去 if itemid_A not in rec_dict: rec_dict[itemid_A] = [] rec_dict[itemid_A].append((itemid_B, sim_score)) #循环遍历字典，格式化数据，把itemB和score中间以：分割，不同的itemB以_分割 for k, v in rec_dict.items(): key_item = PREFIX + k #接下来格式化数据，将数据以从大到小排列后再格式化 #排序,由于数据量大，我们只取100个 #排好序后，我们来格式化数据 reclist_result = '_'.join([':'.join([tu[0], str(round(float(tu[1]), 6))]) \ for tu in sorted(v, key=lambda x: x[1], reverse=True)[:MAX_RECLIST_SIZE]]) ofile.write(' '.join(['SET', key_item, reclist_result])) ofile.write("\n") ofile.close()得到类似如下数据：根据itemid_a,返回相似对应itemid_b的score
SET CB_53051091 76 726100303:0.393048_953500302:0.393048_6193109237:0.348855
3.CF算法：
看我的这篇文章https://blog.csdn.net/qq_36816848/article/details/113184759
1.Centos中安装redis，本文下载的是redis-2.8.3，下载对应安装包并进行源码编译(需要C编译yum install gcc-c++ )，先执行make，然后进入src目录中，得到bin文件（redis-server 服务器，redis-cli 客户端） 2.启动redis server服务两种方法： ]# ./src/redis-server
3.然后换一个终端执行：]# ./src/redis-cli，连接服务。
接下来灌数据（批量灌），需要安装unix2dos进行格式转换（yum install unix2dos），安装完后执行unix2dos cb_reclist.reds命令。 再执行cat cb_reclist.redis | /usr/local/src/redis/redis-2.8.3/src/redis-cli --pipe 进入redis验证执行./src/redis-cli 127.0.0.1:6379> get CB_5305109176 726100303:0.393048_953500302:0.393048_6193109237:0.348855"4、LR训练模型的数据准备 准备我们自己的训练数据,其中标签label=watch_time / total_time 进入pre_data_for_rankmodel目录：python gen_samples.py，利用最开始的merge_base.data数据，最后输出samples.data。
思路：经过cb，cf算法，将数据已经放库，召回部分已经完成，接下来做排序模型，为逻辑回归准备样本数据 1、处理第一次将用户元数据，物品元数据，用户行为数据一起归并的数据，也就是merge_base.data,我们在这里需要得到用户画像数据，用户信息数据，标签数据 2、收取样本，标签，用户画像信息，物品信息 3、抽取用户画像信息，对性别和年龄生成样本数据 4、抽取item特征信息，分词获得token，score，做样本数据 5、拼接样本，生成最终的样本信息，作为模型进行训练 ‘’’
#coding=utf-8 import sys sys.path.append('../') reload(sys) sys.setdefaultencoding('utf-8') import jieba import jieba.analyse import jieba.posseg merge_base_infile = '../data/merge_base.data' output_file = '../data/samples.data' #我们这里需要再生成两个文件，一个是用户样本和item样本，因为要对实时推荐的化，必须使用这两个样本 output_user_feature_file = '../data/user_feature.data' output_item_feature_file = '../data/item_feature.data' #这里生成个类似name和id对应的字典信息 output_itemid_to_name_file = '../data/name_id.dict' #定义函数，来获取各类数据 def get_base_samples(infile): #放待处理样本数据 ret_samples_list = [] #放user用户数据 user_info_set = set() #放物品数据 item_info_set = set() item_name2id = {} item_id2name = {} with open(infile, 'r') as fd: for line in fd: ss = line.strip().split('\001') if len(ss) != 13: continue userid = ss[0].strip() itemid = ss[1].strip() #这两个时间为了计算label而使用 watch_time = ss[2].strip() total_time = ss[10].strip() #用户数据 gender = ss[4].strip() age = ss[5].strip() user_feature = '\001'.join([userid, gender, age]) #物品数据 name = ss[8].strip() item_feature = '\001'.join([itemid, name]) #计算标签 label = float(watch_time) / float(total_time) final_label = '0' if label >= 0.82: final_label = '1' elif label <= 0.3: final_label = '0' else: continue #接下来装在数据，并返回结果，首先我们装在itemid2name和itemname2id item_name2id[name] = itemid item_id2name[itemid] = name #装在待处理的标签数据 ret_samples_list.append([final_label, user_feature, item_feature]) user_info_set.add(user_feature) item_info_set.add(name) return ret_samples_list, user_info_set, item_info_set, item_name2id, item_id2name #step 1 程序的入口，开始调用函数，开始处理文件，得到相应的数据 base_sample_list, user_info_set, item_info_set, item_name2id, item_id2name = \ get_base_samples(merge_base_infile) #step 2 抽取用户画像信息，用户标签转换，将年龄和age进行转换，用于样本使用 user_fea_dict = {} for info in user_info_set: userid, gender, age = info.strip().split('\001') #设置标签idx，将男(1)和女(0)用数剧的形式表示，权重都设置为1 idx = 0 # default 女 if gender == '男': idx = 1 #将标签和权重拼接起来 gender_fea = ':'.join([str(idx), '1']) #性别设置完成，我们接下来设置年龄，将年龄进行划分，0-18，19-25，26-35，36-45 idx = 0 if age == '0-18': idx = 0 elif age == '19-25': idx = 1 elif age == '26-35': idx = 2 elif age == '36-45': idx = 3 else: idx = 4 idx += 2 age_fea = ':'.join([str(idx), '1']) user_fea_dict[userid] = ' '.join([gender_fea, age_fea]) #step 3 抽取物品特征，这里我们要用到分词，将name进行分词，并且把分词后的token转换成id，这里就需要我们来做生成tokenid词表 token_set = set() item_fs_dict = {} for name in item_info_set: token_score_list = [] for x,w in jieba.analyse.extract_tags(name,withWeight=True): token_score_list.append((x,w)) token_set.add(x) item_fs_dict[name] = token_score_list #进行token2id的转换 token_id_dict = {} #这里我们要用到刚刚利用set去重过的token列表，生成tokenid的字典表 for s in enumerate(list(token_set)): token_id_dict[s[1]] = s[0] #接下来，我们需要把第三步生成的item_fs_dict中name对应的token全部替换成id，然后当作字典，为下面的全量替换做准备 item_fea_dict = {} user_feature_offset = 10 for name ,fea in item_fs_dict.items(): token_score_list = [] for (token,score) in fea: if token not in token_id_dict: continue token_id = token_id_dict[token] + user_feature_offset token_score_list.append(':'.join([str(token_id),str(score)])) #接下来输出到字典中 item_fea_dict[name] = ' '.join(token_score_list) #step 4 将第一步输出的样本数据整体替换并且替换user_feature和item_feature,并输出到文件中 ofile = open(output_file,'w') for (label,userfea,itemfea) in base_sample_list: userid = userfea.strip().split('\001')[0] item_name = itemfea.strip().split('\001')[1] if userid not in user_fea_dict: continue if item_name not in item_fea_dict: continue ofile.write(' '.join([label,user_fea_dict[userid],item_fea_dict[item_name]])) ofile.write('\n') ofile.close() #step 5 为了能够实时使用userfeatre，我们需要输出一下 out_put_file = open(output_user_feature_file,'w') for userid,fea in user_fea_dict.items(): out_put_file.write('\t'.join([userid,fea])) out_put_file.write('\n') out_put_file.close() #step 6 输出item_feature out_file = open(output_item_feature_file,'w') for name,fea in item_fea_dict.items(): if name not in item_name2id: continue itemid = item_name2id[name] out_file.write('\t'.join([itemid,fea])) out_file.write('\n') #step 7 输出id2name的对应的字典 o_file = open(output_itemid_to_name_file,'w') for id,name in item_id2name.items(): o_file.write('\t'.join([id,name])) o_file.write('\n') o_file.close()得到如下数据：
1.item_feature.data 2.user_feature.data 3.samples.data（将1、2拼接） 由userid、item_name拼接
lr.py
思路：用到数据，需要写load_data的部分， 1.定义main，方法入口，然后进行load_data的编写 2.调用该方法的到x训练x测试，y训练，y测试，使用L1正则化或是L2正则化使得到结果更加可靠 3. 输出wegiht，和b偏置 # -*- coding: UTF-8 -*- import sys import numpy as np from scipy.sparse import csr_matrix from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression input_file = sys.argv[1] def load_data(): #由于在计算过程用到矩阵计算，这里我们需要根据我们的数据设置行，列，和训练的数据准备 #标签列表 target_list = [] #行数列表 fea_row_list = [] #特征列表 fea_col_list = [] #分数列表 data_list = [] #设置行号计数器 row_idx = 0 max_col = 0 with open(input_file,'r') as fd: for line in fd: ss = line.strip().split(' ') #标签 label = ss[0] #特征 fea = ss[1:] #将标签放入标签列表中 target_list.append(int(label)) #开始循环处理特征： for fea_score in fea: sss = fea_score.strip().split(':') if len(sss) != 2: continue feature, score = sss #增加行 fea_row_list.append(row_idx) #增加列 fea_col_list.append(int(feature)) #填充分数 data_list.append(float(score)) if int(feature) > max_col: max_col = int(feature) row_idx += 1 row = np.array(fea_row_list) col = np.array(fea_col_list) data = np.array(data_list) fea_datasets = csr_matrix((data, (row, col)), shape=(row_idx, max_col + 1)) x_train, x_test, y_train, y_test = train_test_split(fea_datasets, s, test_size=0.2, random_state=0) return x_train, x_test, y_train, y_test def main(): x_train,x_test,y_train,y_test = load_data() #用L2正则话防止过拟合 model = LogisticRegression(penalty='l2') #模型训练 model.fit(x_train,y_train) ff_w = open('model.w', 'w') ff_b = open('model.b', 'w') #写入训练出来的W for w_list in model.coef_: for w in w_list: print >> ff_w, "w: ", w # 写入训练出来的B for b in model.intercept_: print >> ff_b, "b: ", b print "precision: ", model.score(x_test, y_test) print "MSE: ", np.mean((model.predict(x_test) - y_test) ** 2) if __name__ == '__main__': main()推荐系统demo流程： 初始化工作：加载data，获取user_feature.data，item_feature.data特征 ，用字典维护。 （1）解析请求：userid，itemid （2）加载模型：加载排序模型（model.w，model.b） （3）检索候选集合：利用cb，cf去redis里面检索数据库，得到候选集合 （4）获取用户特征user_feature.data ：userid （5）获取物品特征item_feature.data ：itemid （6）打分(逻辑回归函数sigmoid: 1 / (1 + exp(-wx)))，排序 （7）top-n过滤（精排） （8）数据包装（itemid->name），返回
main.py
#coding=utf-8 import web import sys import redis import json import math urls = ( '/', 'index', '/test', 'test', ) app = web.application(urls, globals()) # 加载user特征 user_fea_dict = {} with open('../data/user_feature.data') as fd: for line in fd: userid, fea_list_str = line.strip().split('\t') user_fea_dict[userid] = fea_list_str # 加载item特征 item_fea_dict = {} with open('../data/item_feature.data') as fd: for line in fd: ss = line.strip().split('\t') if len(ss) != 2: continue itemid, fea_list_str = ss item_fea_dict[itemid] = fea_list_str class index: def GET(self): r = redis.Redis(host='master', port=6379,db=0) # step 1 : 解析请求，上面我们已经得到userid，itemid params = web.input() userid = params.get('userid', '') req_itemid = params.get('itemid', '') # step 2 : 加载模型 model_w_file_path = '../rankmodel/model.w' model_b_file_path = '../rankmodel/model.b' model_w_list = [] model_b = 0. with open (model_w_file_path, 'r') as fd: for line in fd: ss = line.strip().split(' ') if len(ss) != 3: continue model_w_list.append(float(ss[2].strip())) with open (model_b_file_path, 'r') as fd: for line in fd: ss = line.strip().split(' ') model_b = float(ss[2].strip()) # step 3 : 检索候选(match)，这里我们分两次，cb，cf #将检索回来的item全部放到recallitem列表里面 rec_item_mergeall = [] # 3.1 cf cf_recinfo = 'null' key = '_'.join(['CF', req_itemid]) if r.exists(key): cf_recinfo = r.get(key) if len(cf_recinfo) > 6: for cf_iteminfo in cf_recinfo.strip().split('_'): item, score = cf_iteminfo.strip().split(':') rec_item_mergeall.append(item) # 3.2 cb cb_recinfo = 'null' key = '_'.join(['CB', req_itemid]) if r.exists(key): cb_recinfo = r.get(key) if len(cb_recinfo) > 6: for cb_iteminfo in cb_recinfo.strip().split('_'): item, score = cb_iteminfo.strip().split(':') rec_item_mergeall.append(item) # step 4: 获取用户特征,将获取的用户特征处理后放到字典里面，方便后续计算内积 user_fea = '' if userid in user_fea_dict: user_fea = user_fea_dict[userid] u_fea_dict = {} for fea_idx in user_fea.strip().split(' '): ss = fea_idx.strip().split(':') if len(ss) != 2: continue idx = int(ss[0].strip()) score = float(ss[1].strip()) u_fea_dict[idx] = score # step 5: 获取物品的特征 ,循环遍历刚刚得到itemid，判断item是否在item特征中，若在开始进行处理 rec_list = [] for itemid in rec_item_mergeall: if itemid in item_fea_dict: item_fea = item_fea_dict[itemid] i_fea_dict = dict() for fea_idx in item_fea.strip().split(' '): ss = fea_idx.strip().split(':') if len(ss) != 2: continue idx = int(ss[0].strip()) score = float(ss[1].strip()) i_fea_dict[idx] = score #得到召回item对应的特征和用户的特征，之后根据模型求出来的w，b，进行打分 wx_score = 0. #这里我们求个内积，wx，然后做sigmoid，先将两个字典拼接起来，然后计算分数 for fea, score in dict(u_fea_dict.items() + i_fea_dict.items()).items(): wx_score += (score * model_w_list[fea]) #**计算sigmoid: 1 / (1 + exp(-wx))** final_rec_score = 1 / (1 + math.exp(-(wx_score + model_b))) #将itemid和分数放入列表中，方便后续排序 rec_list.append((itemid, final_rec_score)) # step 6 : 精排序(rank) rec_sort_list = sorted(rec_list, key=lambda x:x[1], reverse=True) # step 7 : 过滤(filter)取top10 rec_fitler_list = rec_sort_list[:10] # step 8 : 返回+包装(return)，进行将itemid转换成name item_dict = {} with open('../data/name_id.dict', 'r') as fd: for line in fd: raw_itemid, name = line.strip().split('\t') item_dict[raw_itemid] = name ret_list = [] for tup in rec_fitler_list: req_item_name = item_dict[req_itemid] item_name = item_dict[tup[0]] item_rank_score = str(tup[1]) ret_list.append(' -> '.join([req_item_name, item_name, item_rank_score])) ret = '\n'.join(ret_list) return ret class test: def GET(self): print web.input() return '222' if __name__ == "__main__": app.run()保证redis启动，执行python main.py 9999 (py27) [root@master rec_server]# 192.168.179.10:9999/?userid=00370d83b51febe3e8ae395afa95c684&itemid=3880409156 浏览器输入上述返回推荐top10。
可视化页面查看：进入web目录执行 python page_web.py 9999 输入useid_itemid
