Mahout SlopOne

关于推荐引擎

        如今的互联网中，无论是电子商务还是社交网络，对数据挖掘的需求都越来越大了，而推荐引擎正是数据挖掘完美体现；通过分析用户历史行为，将他可能喜欢内容推送给他，能产生相当好的用户体验，这就是推荐引擎。

推荐算法Slope one的原理

        首先Slope one是一种基于项目的协同过滤算法（Item-based Recommendation），简单介绍这种算法（若理解有误，欢迎大家更正，I am just a beginner）：根据用户们对产品的喜好程度，来将产品分类；举个简单例子：比如有10个用户，其中有9个人即喜欢产品A，也喜欢产品B，但只有2个人喜欢产品C；于是可以推断产品A和产品B是属于同类的，而产品C可能跟它们不是一类。

        好了话不多讲，让我们看看Slope one吧！

        Slope one是通过用户们对每个产品的评分，来计算产品间的一个差值；这种计算是通过 线性回归 f(x) = ax + b得到的，其中a = 1，正如它的名字Slope one（斜率为一）；另外用户的评分，在Slope one中是必不可少的。这里举

例看看它的计算方式：下面是一张用户对书籍的评分表

	书 1	书 2	书 3
用户A	5	3	2
用户B	3	4	未评分
用户C	未评分	2	5

        

        书1是否适合推荐给用户C，需要通过Slope one 计算出一个值来判定：首先得到书1和书2之间的平均差值X = （（5-3）+（3-4））/ 2 = 0.5，然后通过用户C对书2的打分得到相应的推荐值 2+0.5 = 2.5 （推荐引擎会通过推荐值的高低来选择要推荐的物品），这里只是通过书2来计算用户C对书1的推荐值，实际的Slope one算法中若要得到用户C对书1的推荐值，会把用户C评分过的所有书按此方法依次对书1（为评分的书）算推荐值，然后取平均值得到，放到表中如下：

（（（5-3）+（3-4））/ 2 +2 + （5 - 2）/ 1 + 5 ）/ 2 = 5.25 

实际应用中你还可以设权值，这里就不深入了。

        以上是Slope one的原理，接下来看看它在Mahout中是如何设计与实现的。

Mahout中Slope one的设计思路以及代码实现

        先简单介绍下，Mahout是Apache的一个开源项目，由Lucene项目组和Hadoop项目组分离出来，它实现了推荐引擎中的大部分经典算法，有兴趣的朋友可以研究研究

        首先我们需要基础数据，即用户对产品的评分，这部分数据可以来自数据库也可以来自文件，Mahout中对此设计了一个简单的数据库表，SQL如下：

1	CREATETABLE taste_preferences (

2	user_idBIGINT NOT NULL,

3	item_idBIGINT NOT NULL,

4	preferenceFLOAT NOT NULL,

5	PRIMARYKEY (user_id, item_id),

6	INDEX(user_id),

7	INDEX(item_id)

8

)

        其次，Mahout在启动时，会对这部分数据进行处理，算出每对产品间的平均评分差值，已Map<ItemId, Map<ItemId, Average>>的数据结构存放在内存中（当然这帮牛人没有用Java中Map的实现，自己写了一个叫FastByIDMap的类）。处理基础数据的计算代码如下：

 1. 首先获取所有评过分的用户id （7，而dataModel就是用于存放我上面提到的基础）

 2. 然后依次计算每个用户评分过的产品间的平均评分差值 （9，具体在processOneUser中实现）

01	privatevoid buildAverageDiffs() throws TasteException {

02	log.info("Building average diffs...");

03

try{

04	buildAverageDiffsLock.writeLock().lock();

05	averageDiffs.clear();

06	longaverageCount = 0L;

07	LongPrimitiveIterator it = dataModel.getUserIDs();

08	while(it.hasNext()) {

09	averageCount = processOneUser(averageCount, it.nextLong());

10

}

11

12	pruneInconsequentialDiffs();

13	updateAllRecommendableItems();

14

15	}finally {

16	buildAverageDiffsLock.writeLock().unlock();

17

}

18

}

 3. 首先取出该用户所有评分过的项目和评分值（4）

 4. 依次计算这些项目间的平均评分差值（6 ~ 26），并存储在内存中。

01	privatelong processOneUser(longaverageCount, long userID) throws TasteException {

02	log.debug("Processing prefs for user {}", userID);

03	// Save off prefs for the life of this loop iteration

04	PreferenceArray userPreferences = dataModel.getPreferencesFromUser(userID);

05	intlength = userPreferences.length();

06	for(int i = 0; i < length - 1; i++) {

07	floatprefAValue = userPreferences.getValue(i);

08	longitemIDA = userPreferences.getItemID(i);

09	FastByIDMap<RunningAverage> aMap = averageDiffs.get(itemIDA);

10	if(aMap == null) {

11	aMap =new FastByIDMap<RunningAverage>();

12	averageDiffs.put(itemIDA, aMap);

13

}

14	for(int j = i + 1; j < length; j++) {

15	// This is a performance-critical block

16	longitemIDB = userPreferences.getItemID(j);

17	RunningAverage average = aMap.get(itemIDB);

18	if(average == null && averageCount < maxEntries) {

19	average = buildRunningAverage();

20	aMap.put(itemIDB, average);

21	averageCount++;

22

}

23	if(average != null) {

24	average.addDatum(userPreferences.getValue(j) - prefAValue);

25

}

26

}

27	RunningAverage itemAverage = averageItemPref.get(itemIDA);

28	if(itemAverage == null) {

29	itemAverage = buildRunningAverage();

30	averageItemPref.put(itemIDA, itemAverage);

31

}

32	itemAverage.addDatum(prefAValue);

33

}

34	returnaverageCount;

35

}

        以上是启动时做的事，而当某个用户来了，需要为他计算推荐列表时，就快速许多了（是一个空间换时间的思想），下面的方法是某一个用户对其某一个他未评分过的产品的推荐值，参数UserId：用户ID；ItemId：为评分的产品ID

 1. 再次取出该用户评分过的所有产品（4）：PreferenceArray prefs中保存着ItemID和该用户对它的评分

2. 取得上一步得到的prefs中的所有物品与itemID代表的物品之间的平均评分差值（5），其中DiffStoragediffStorage

对象中存放中每对产品间的平均评分差值（而上面启动时的计算都是在MySQLJDBCDiffStorage中实现的，计算后的

值也存于其中，它是DiffStorage接口的实现），所以取得的流程很简单，这里不贴代码了

3. 最后就是依次推算评分过的产品到未评分的产品的一个推荐值 = 平均评分差值（两者间的） + 已评分的分值（用

户对其中一个评分），然后将这些推荐值取个平均数（7 ~ 37），其中11行判断是否要考虑权重。

01	privatefloat doEstimatePreference(longuserID, long itemID) throws TasteException {

02	doublecount = 0.0;

03	doubletotalPreference = 0.0;

04	PreferenceArray prefs = getDataModel().getPreferencesFromUser(userID);

05	RunningAverage[] averages = diffStorage.getDiffs(userID, itemID, prefs);

06	intsize = prefs.length();

07	for(int i = 0; i < size; i++) {

08	RunningAverage averageDiff = averages[i];

09	if(averageDiff != null) {

10	doubleaverageDiffValue = averageDiff.getAverage();

11	if(weighted) {

12	doubleweight = averageDiff.getCount();

13	if(stdDevWeighted) {

14	doublestdev = ((RunningAverageAndStdDev) averageDiff).getStandardDeviation();

15	if(!Double.isNaN(stdev)) {

16	weight /=1.0 + stdev;

17

}

18	// If stdev is NaN, then it is because count is 1. Because we're weighting by count,

19	// the weight is already relatively low. We effectively assume stdev is 0.0 here and

20	// that is reasonable enough. Otherwise, dividing by NaN would yield a weight of NaN

21	// and disqualify this pref entirely

22	// (Thanks Daemmon)

23

}

24	totalPreference += weight * (prefs.getValue(i) + averageDiffValue);

25	count += weight;

26

}else {

27	totalPreference += prefs.getValue(i) + averageDiffValue;

28	count +=1.0;

29

}

30

}

31

}

32	if(count <= 0.0) {

33	RunningAverage itemAverage = diffStorage.getAverageItemPref(itemID);

34	returnitemAverage == null ? Float.NaN : (float) itemAverage.getAverage();

35

}else {

36	return(float) (totalPreference / count);

37

}

38

}

         Slope one 的源码已分析完毕。

        其实Slope one推荐算法很流行，被很多网站使用，包括一些大型网站；我个人认为最主要的原因是它具备如下优势：

        1. 实现简单并且易于维护。

        2. 响应即时（只要用户做出一次评分，它就能有效推荐，根据上面代码很容易理解），并且用户的新增评分对推荐数据的改变量较小，应为在内存中存储的是物品间的平均差值，新增的差值只需累加一下，切范围是用户评分过的产品。

        3. 由于是基于项目的协同过滤算法，适用于当下火热的电子商务网站，原因电子商务网站用户量在几十万到上百万，产品量相对于之则要小得多，所以对产品归类从性能上讲很高效。

        分析至此，祝大家周末愉快。

参考资料：

1. Slope one http://zh.wikipedia.org/wiki/Slope_one

2. 探索推荐引擎内部的秘密，第 2 部分: 深入推荐引擎相关算法 - 协同过滤 

    http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy2/index.html