构建基于深度学习的电影推荐系统-经管之家官网！

构建基于深度学习的电影推荐系统
随着网络技术的不断发展和电子商务规模的不断扩大，商品的数量和种类迅速增长，用户需要花费大量时间来寻找想要购买的商品。这是信息过载。为了解决这个问题，推荐系统应运而生。
推荐系统是信息过滤系统的子集，可以在电影，音乐，电子商务和Feed流推荐等一系列领域中使用。推荐系统通过分析和挖掘用户行为来发现用户的个性化需求和兴趣，并推荐用户可能感兴趣的信息或产品。与搜索引擎不同，推荐系统不需要用户准确描述他们的需求，而是对他们的历史行为进行建模以主动提供满足用户兴趣和需求的信息。
在本文中，我们使用百度的深度学习平台PaddlePaddle来构建模型，并结合矢量相似度搜索引擎Milvus来构建个性化的推荐系统，该系统可以快速准确地向用户提供他们可能感兴趣的信息。
资料准备
我们以 MovieLens Million数据集（ml-1m）[1]为例。ml-1m数据集包含由GroupLens研究实验室收集的6
ml-1m数据集包括3条.dat文章：movie.dat，users.dat和rating.dat.movi??es.dat包含电影的功能，请参见以下示例：
MovieID :: Title :: Genres
1 :: ToyStory（1995）::动画|儿童|喜剧
这意味着电影ID为1，标题为《玩具总动员》，分为三类。这三个类别是动画，儿童和喜剧。
users.dat包含用户的功能，请参见以下示例：
用户ID ::性别::年龄::职业::邮政编码
1 :: F :: 1 :: 10 :: 48067
这意味着用户ID为1，女性，且未满18岁。职业ID是10。
rating.dat包含电影分级功能，请参见以下示例：
UserID :: MovieID :: Rating :: Timestamp
1 :: 1193 :: 5 :: 978300760
即，用户1将电影1193评价为5分。
融合推荐模型
在电影个性化推荐系统中，我们使用了PaddlePaddle实现的融合推荐模型[3]。此模型是根据其工业实践创建的。
首先，将用户特征和电影特征作为神经网络的输入，其中：
一个。用户功能包含四个属性信息：用户ID，性别，职业和年龄。
b。电影功能包含三个属性信息：电影ID，电影类型ID和电影名称。
对于用户功能，将用户ID映射到尺寸为256的矢量表示形式，进入完全连接的层，并对其他三个属性进行类似的处理。然后，四个属性的特征表示将完全连接并分别添加。
对于电影功能，将像用户ID一样处理电影ID。电影类型ID以向量的形式直接输入到完全连接的层中，并且电影名称使用文本卷积神经网络由固定长度的向量表示。然后，将三个属性的特征表示完全连接并分别添加。
在获得用户和电影的矢量表示之后，计算它们的余弦相似度作为个性化推荐系统的分数。最后，相似度分数与用户真实分数之间的差的平方被用作回归模型的损失函数。
系统总览
结合PaddlePaddle的融合推荐模型，将模型生成的电影特征向量存储在Milvus向量相似性搜索引擎中，并将用户特征用作要搜索的目标向量。在Milvus中执行相似性搜索，以获取查询结果作为用户的推荐电影。
Milvus提供了内部乘积（IP）方法来计算矢量距离。数据标准化后，内积相似度与融合推荐模型中的余弦相似度结果一致。
个性化推荐系统的应用
用Milvus构建电影推荐系统需要三个步骤，有关操作方法的详细信息，请参阅Milvus Bootcamp [4]。
步骤1：模型训练
＃运行train.py
$ python train.py
运行此命令将在目录中生成一个模型荐荐系统_模型。参考。模型，该模型可以将电影数据和用户数据转换为特征向量，并生成供Milvus存储和检索的应用程序数据。
第二步：数据预处理
＃数据预处理，-f后跟参数原始电影数据文件名
$ python get_movies_data.py -f films_origin.txt
运行此命令将在目录中生成测试数据movies_data.txt，以实现电影数据的预处理。
第三步：用Milvus实施个人推荐系统
＃根据用户条件实施个人推荐系统
$ python infer_milvus.py -a <age> -g <gender> -j <job> [-i]
运行此命令将为指定用户实施个性化建议。
主要过程是：
通过load_inference_model，电影数据由模型处理以生成电影特征向量。
通过milvus.insert将影片特征向量加载到Milvus中。
根据参数指定的用户年龄/性别/职业，将其转换为用户特征向量，将milvus.search_vectors用于相似度检索，并返回用户与电影之间相似度最高的结果。
用户感兴趣的前五部电影的预测：
TopIdsTitleScore
03030Yojimbo2.9444923996925354
13871Shane2.8583481907844543
23467Hud2.849525213241577
31809Hana，bi2.826111316680908
43184Montana2.8119677305221558
摘要
通过将用户信息和电影信息输入到融合推荐模型，我们可以获得匹配的分数，然后根据用户对所有电影的分数进行排序，以推荐用户可能感兴趣的电影。本文结合了Milvus和PaddlePaddle构建了个性化的电影推荐系统。Milvus是矢量搜索引擎，用于存储所有电影特征数据，然后对Milvus中的用户特征执行相似性检索。 搜索结果是系统推荐给用户的电影排名。

https://pic.jg.com.cn/img/pinggu/c2d3f9902d687474703a2f2f6564752e6364612e636e2f66696c65732f64656661756c742f323032302f30372d30382f3131353830313935626234323037323832322e706e67996b467026.jpg

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！