32. BI - 依据淘宝的用户行为，从 0 开始实现一个简单的移动推荐系统

本文为 「茶桁的 AI 秘籍 - BI 篇 第 32 篇」

Hi, 你好。我是茶桁。

今天咱们要来完成一个简单的推荐系统的建立。

之前的课程里给大家讲了两种模型，也希望大家对模型的概念以及使用场景会有些了解。不光是推荐系统，在生物、心理学、社交网络等等里面都会有一些使用。

曾经有过这么一句话：Embedding is all you need，这曾经是一篇论文的标题，也有很多 AI 相关的文章都会引用这句话作为标题，大家可以去 Google 一下，一搜一大片。这句话意思是 Embedding 就是你所想要的一切，这可以说明特征工程的一个重要性。

Embedding 之所以这么重要，原因就是因为它后续可以接入神经网络。神经网络是一个无限的拟合器，它需要有一个固定维度的向量。如果你不给它做 Embedding 放到神经网路里去就会产生维度爆炸。所以先做 Embedding，特征学完以后再放到神经网络里是一个最好的方法。

接下来，咱们来看一个项目，这个项目是移动推荐系统项目，我们看一看用户的购买预测，如何来进行推荐。

移动推荐系统是来自于阿里云天池上的一场比赛，这个比赛目前也是开放的，感兴趣的可以自己进行提交，看一看你自己的排名。

https://tianchi.aliyun.com/competition/entrance/231522/information

如果之前没有做过这场比赛可以先把数据下载下来。数据压缩包 100 多兆，解压以后大概一个 G，数据量级非常庞大。所以这个数据大家就自己去比赛页面去自己下载一下。

这个数据是一个真实业务场景的数据，当然也做了一些脱敏的处理。在官网上对题目和数据的定义是这样的：

在真实的业务场景下，我们往往需要对所有商品的一个子集构建个性化推荐模型。在完成这件任务的过程中，我们不仅需要利用用户在这个商品子集上的行为数据，往往还需要利用更丰富的用户行为数据。定义如下的符号： U ——用户集合 I ——商品全集 P ——商品子集，P ⊆ I D ——用户对商品全集的行为数据集合 那么我们的目标是利用 D 来构造 U 中用户对 P 中商品的推荐模型。

我们需要对所有商品的子集构造一个个性化的推荐。完成这个任务不仅需要在用户的商品子集上的行为，还需要更丰富的其它用户行为。

首先用户的集合 U 是全量的用户，你可以把它想象成是淘宝上的用户。淘宝上面还有非常多的商品，I 是商品全集。我们要去关注的不是全量商品，而是一部分商品是 P。为什么是一个子集，想象有一个广告投放业务，他不需要对所有商品都做推荐，要找谁付了费，放到阿里巴巴上面要去做推广，这是有收益的。所以 P 是他的广告候选集。

D 是用户的行为集合，这是一个全量商品 I 的行为，是用户在 i 上面的所有的全量行为，这本身是构造了一个用户行为的一个数据集。而我们要去预测的并不是全部的数据，而是 P，看一看用户会不会对 P 感兴趣。

这样定义完之后大家应该能明白了把？

整个的比赛的数据是给我们提供了 2 万个用户的行为数据以及百万个商品信息，数据啊我们也可以看到比赛页面上也有比较详细的一个描述：

第一部分是用户在商品全集上的移动端行为数据（D）,表名为tianchi_fresh_comp_train_user_2w，包含如下字段：

时间上，是来自于 11.18 到 12.18，一个月的左右的移动端的行为，对应的数据表就是 tianchi_fresh_comp_train_user, 一个多 G 的 CSV，所以原始数据还是非常大的。

我们来看一下 behavior_type 这个字段的说明，包含了浏览、收藏、加购物车、购买、对应取值分别是 1、2、3、4，我们平时用淘宝大概也就这些行为。看一看商品，放到购物车里，产生购买，你可以把这个商品收藏起来，这个行为字段叫 behavior_type。

数据集里还包含了用户位置的空间。用户有的时候把位置开放了，就可以知道用户的一些位置空间，这里是做了一个加密算法的处理，因为用户的隐私，并不能直接告诉你，这些数据都是做了一些脱敏的处理。

脱敏虽然看不出来原始数据，但是它的特征是有保留的。可以把它理解成为就是经过算法的一个映射关系，看成是个加密。Embedding 和 PAC 都是一些比较常见的脱敏技术，因为 Embedding 和 PAC 本身是对特征做了一些提取。

还有一些行为，精确到小时的级别。

这个数据表就把用户和商品的行为、时间以及地理位置都做了一些特征的描述。还有包括商品特征，商品子集是来自于 tianchi_fresh_comp_train_item 这张表，这张表比较简单，只有三个字段。商品标识，商品分类标识以及商品位置的空间标识。

第二个部分是商品子集（P），表名为 tianchi_fresh_comp_train_item_2w，包含如下字段：

现在要去预测一个月之后的某一天，12 月 19 号 他商品子集的购买情况。如果预测更准确分数就会更高一点，最终的输入结果有 user_id 和 item_id 这两个字段。

用户对哪一个商品会产生购买，最终评价指标它用的是 F1 值，F1 是由两个维度来进行构成的。

\[ F1 = \frac{2 \times Precision \times Recall}{Precision \times Recall} \]

其中 Precision 是精确度，Recall 是召回率，这两个指标咱们在之前讲解机器学习的时候都有详细的讲解过。

\[ Precision = \frac{|\frown(PredictionSet, ReferenceSet)|}{|PredictionSet|} \\ \\ Recall = \frac{|\frown(PredictionSet, ReferenceSet)|}{|ReferenceSet|} \]

那为什么不单独的用精确度和召回率呢？

先看一下相关定义，给了一个预测的用户购买集: PredictionSet, 本身答案也有一个ReferenceSet，这是一个真实答案，这是给出来的预测结果。两者之间前面的符号是用了一个交集"\(\frown\)"，就是两个集合中都存在的一个数据的集合。然后又求了一个 lens，就求它的长度。这里用的| |并不是指绝对值，而是长度。求出的这个长度比上预测的长度，就代表精确度。也就是说，在给出来的这些集合过程中，你预测对了多少个，是精确度。

那请问，如果只看精确度作为最终考核指标的话，这样的一个指标有没有可能作弊？有没有一些策略可以让精确度的分数比较高？

我们最终是除上一个分母 |PredictionSet|，这个分母是精确的，预测的集合。所以会不会存在一种情况可以让它的分数达到很高？比如说只给一个预测购买的结果，这个购买结果确实存在过，所以精确度就会很准，只预测一条数据是个极端行为。所以我们还要考量一个维度 “召回率 Recall”。

召回率还是这两个交集，也就是两个集合中都存在的数据，比上真实的答案。那我们在想想，如果只看召回率，有没有一些方法也能让你作弊，达到很好的成绩？这个应该比较容易。

召回率就是在实际的购买过程中找到了多少，最简单的策略是把所有的商品子集都放进去。如果所有商品子集都放进去一定 100% 都涵盖，召回率就拿了满分，这样其实也是不对的。

为了防止作弊就不能用单一的指标，而是要把这两个指标合到一起。F1 值就更加的精确一点，避免了用户作弊的两种可能性。这样就是一个算法真实的考量，用 F1 值会更合理一些，也成为最终的评价指标。

一会儿会给 2 万的用户行为数据来去预测商品子集在接下来一天会不会产生购买，计算的是 F1 值。

现在可以好好思考一下思路，应该怎么去做？这是一个预测是否购买的任务，第一肯定是先要对原来的数据做观察。

用户的购买本身跟时间是有关系的，给出来的数据给了前 30 天的行为，所以可以先去考量一下。我们一起来看一看。

先把数据加载进来

# 数据加载
df = pd.read_csv(path+'/tianchi_fresh_comp_train_user.csv')
df

数据加载可能存在一个问题，现在这个数据量可能会比较大，所以可能需要对这个数据去做一个分块的处理。如果你的内存比较大可以直接来进行读取。

我的笔记本内存还好一点，16 个 g，如果你的笔记本内存是 8 个 g 的话基本上后面运算就比较难了。前期的读取时间相对来说会比较长。

咱们主要看的是用户的时间，数据这个 time 是 2014 年的 12 月份，要预测的是 2014 年的 12 月 19 号。思考一下， 2014 年 12 月 19 号大家会想到什么样的一个特征？

对于网购来说，哪一天购买对用户来说是否有关系？比如说周一的时候买商品还是周五的时候买会不会不一样？周一在淘宝上购买行为跟周日会不会有区别？这个肯定还是有区别的。所以咱们第一个想法是需要看一看，2014 年 12 月 19 号是星期几。

周五更容易产生购物，而这一天正好是周五。给了 30 天的数据，要怎么去完成预测呢？是不是可以划一个时间段，给你一个 x，然后再预测一个 y。

x 怎么设置？如果预测的是周五，把它分成几组，可以这样分：

\[ \begin{align*} train1 : 11.22 ~ 11.27 -> 11.28 \\ train2 : 11.29 ~ 12.04 -> 12.05 \\ train3 : 12.06 ~ 12.10 -> 12.12 \\ train4 : 12.13 ~ 12.18 -> 12.19 \end{align*} \]

前面 13 到 18 是 6 天的时间，预测它是周五。相当于是从周六开始一直到周四，预测 19 号。从 train1 到 train4 都是一样的，都是从周六开始到周四，预测周五。把每一周七天的时间可以划分出来，这样就会有四个七天的时间，每个七天都形成了 x 和 y 的特点，前面是 x，后面是 y。所以如果要去建一个分类模型就可以这么去构造，前面是原始数据的 x，后面是 y。可以把它称为 test day，就是预测 y。y 的时间点就是 12 月 19 号、12 月 12 号、 12 月 05 号和 11 月 28 号。

当然这种划分方式也不是唯一的标准，也可以按照其他不同的方式。比如预测 31 天，然后再把中间的 30 天预测下一天也完全可以。没有一种统一的方式，采用哪种方法都可以，看哪一种更合理。

咱们现在按照之前的划分方式，四个段落里有没有可能存在异常值？

2014 年的时候，淘宝那阵已经上线一段时间双十一的活动，这应该是淘宝造节的一个非常成功的一个案例。除了双十一以外还有一个重要的节日，也可能会造成购买的异常，你会发现用户购买的情况非常多，这个数据集里面也覆盖到了，就是 12 月 12 号，叫双十二。

这个相信大家应该经历过，就是下一个月双 12 的时候应该也有一些促销的优惠幅度，这对于第三组（train3: 12.06 ~ 12.10 -> 12.12）来说包含了一个异常点。有了这个异常点对于模型来说存在一些反向价值，或者有些噪音点。所以为了更好去预测，可以把异常值去掉。

以上是一个思考维度，大家可以按照这种思维自己去做一个建模。最终我们可以用模型去预测用户是否会完成购买，前期也会有数据的一个统计。

另外我这里也教给大家还有一些方式，咱们可以对数据做分块儿的处理。如果你的数据很大，可以使用 chunksize，chunksize 是 Pandas 里面做分块处理的一个设置。

dateparse = lambda dates: pd.to_datetime(dates, format='%Y-%m-%d %H')
file_name = path+'/tianchi_fresh_comp_train_user.csv'
batch = 0
for df in pd.read_csv(open(file_name, 'r'), parse_dates=['time'],
      index_col=['time'],
      date_parser = dateparse,
      chunksize = 1000000):

打开一个文件，然后设置成 size，这里的 size 大小设置成了 100 万，或者你设成 10 万，这里意思就是每一块现在是 100 万行的数据。

第一行的 dateparse 中，date 代表是日期的含义。我们设置了一个日期的一个解析。解析是 parse_dates=['time'] 这个特征，还可以把它设成 index_col，这样每一次 DF 就有了 100 万行。也可以把这 100 万行的数据每一次都 to 成一个 CSV，把它保存进去。

train1.to_csv(train1_file, columns = ['user_id', 'item_id', 'behavior_type', 'item_category'], header = False, mode = 'a')

如果你的文件特别特别大，要保存的话可以使用一种叫做 append 的模式。mode = 'a' 代表是 append， 追加模式。追加模式的话，header 就不能有了。每次如果都有表实际上就多了一些表头，要把表头去掉。所以在追加模式过程中，header 一般设为 False，这样你生成出来的 CSV 是没有表头的。

除了对数据做了这样一个处理以外，我们再来做一个简单的策略，先做个简单规则。

我们想想，在购买要预测的是哪一个特征？是 behavior_type 这个字段。再来看看字段说明：

要是产生购买应该是 behavior_type 的第 4 个， behavior_type 等于 4。一般购买的逻辑是什么？在购买之前还要做一个操作，哪一个逻辑跟购买之间是最直接相关的？

一个用户可能不只有一种类型，对同一个商品 ID 可能会有 1、2、3、4，也就是浏览、收藏、加购物车和购买。那 1 肯定是必备的，其他的 3 可能最近。知道转化漏斗吧？点击进去以后放到购物车产生购买，所以 3 和 4 之间的关系，到底转化率是多少这可能是一个问号，我们可能想要去看一看。

原始数据已经给到了，完全可以通过一些数据探索的形式做一些可视化的分析。这里可以先设一个简单规则，假设用户都是先放到购物车再进行购买的，也就是对应的从 behavior_type = 3 再到 behavior_type = 4。先去观察一下，因为每一个 behavior_type 都有时间的记录，可以看到原始的数据里面有个 time，可能就比较好奇 3 ～ 4 之间一般会间隔多久。

一般放到购物车里然后产生购买，不同的人时间不一样。这里咱们做个小调查，有没有一些同学把购物车当成收藏夹，大家可以在我的留言区内回复。

有时候我们发现产品设计很有意思，虽然有收藏的功能，但总有些人先放到购物车里不买，先等着，可能过一段时间又买了。很神奇，我身边有很多人也都是类似的一些行为。我们可以观察一下这两者之间的时间差。你放到购物车到最终完成购买，这里设置一个 delta_hour，这是一个新的特征段，把这个 delta_hour 可视化。

购物车到购买的时间间隔越短，可能很快就买了，越长就越是起到收藏的功能，总体来说这个规律非常的明显，特征很突出。

我们设置它每个长度是 24，就是 24 小时，基本上是在一天左右用户就产生一个购买。用户有一个很强的特征，一般要放在购物车的话一天的时间之内可能就买了，那我们能不能写一个简单的策略，去预测用户购买哪些商品？

既然要预测的是 12 月 29 号的购买情况，如果上一步是要放到购物车，最大的数据是 12 月 18 号的数据，所以会利用哪一天的购物车来进行预测呢？有没有可能，在 12 月 18 号之前把商品放到购物车里去，而那一天没有购买，我们就可以把它认为未来可能会购买，可以以 12 月 18 号那一天的购物车数据来进行预测。这就是一个简单的一个策略。

如果把它放到了购物车里还没有完成购物，假设它可能会在 12 月 19 号完成购物，这样一个策略我们看一看它的结果会是怎样的。

接着上面的代码继续写下去，就像前面分析的，咱们最关注的特征应该是 behavior_type, 在它等于 3 或 4的时候，因为你现在假设是 3-4 之间的一个转换，所以可以写一个数组，把它做一个抽取，原来的数据直接读进来。

df_act_34 = df[df['behavior_type'].isin([3,4])]

因为我的内存还可以，而追加读取的方式太耗时间，所以我干脆就直接读取完整的数据了。然后未了方便，我将其保存为 pickle：

df_act_34.to_pickle(path+'/df_act_34.pkl')

这样的话，下次只要计算一次，以后其实就可以直接通过 pickle 文件来进行读取了，速度会比较快一点。得到的文件为 49.2 M.

pickle 文件在读取的时候需要用 open 来进行，

with open(path+'/df_act_34.pkl', 'rb') as file:
  df_act_34 = pickle.load(file)
df_act_34.head()

这个写完以后，下面要去提取所有 behavior_type = 3的数据，不过数据还需要再做个处理。

咱们需要将 dublicate 的数据 drop 一下。对他的一个粒度筛选是用户和商品之间的行为，最终要提交的也是用户和商品之间的行为。

把一些重复的 drop 掉之后还有一个小问题，就是应该有一些时间的概念，要把时间从小到大排序，按照它的这个维度可以先 sort 一下:

df_act_34.sort_values(by=['time'], ascending=True, inplace=True)
df_act_34.drop_duplicates(['user_id', 'item_id', 'behavior_type'], keep='last', inplace=True)
df_act_34.info()

---
...
Index: 742625 entries, 5 to 23290546
Data columns (total 6 columns):
...

保存它最后一次 keep = 'last' 就可以了，原来是 89 万的数据，现在变成了 74 万的数据。

那现在这个数据其实还是[3, 4]的数据，要提取几个关键特征，第一个要提取的是 behavior_type = 3 的数据。

# 所有 behavior_type = 3 的数据
df_time_3 = df_act_34[df_act_34['behavior_type'] == 3][['user_id', 'item_id', 'time']]
df_time_3

我们求几个维度，['user_id', 'item_id', 'time'], 把这个数据作为 df_time_3 打印出来。

同理还可以求一下所有 behavior_type = 4 的数据，目的就是要看这两者之间有没有一些关联。

# 所有 behavior_type = 4 的数据
df_time_4 = df_act_34[df_act_34['behavior_type'] == 4][['user_id', 'item_id', 'time']]
df_time_4

现在 3 和 4 都求完了，统一去看 3-4 之间的一个差值。以用户的粒度为例，或者以 item 粒度为例。咱们最后要提交的文件里面是 user_id 和 item_id。

现在提取出来了 user_id 和 item_id 两种特征，一个是 behavior_type = 3 的特征，一个是 behavior_type = 4 的特征，可以把这两个特征合并起来。

合并的过程中也存在一个问题，它都等于 time，所以对它的 time 也需要做一个变换。

df_time_3.rename(columns={'time':'time3'}, inplace=True)
df_time_4.rename(columns={'time':'time4'}, inplace=True)

这些都求解出来以后，如果之前有些数据不想要了也可以给他 drop 掉，可以直接帮他把内存清掉。

这两个数据还可以合并到一起，将time3和time4的数据进行连接，用 user_id 和 item_id 来做链接:

df_time = pd.merge(df_time_3, df_time_4, on = ['user_id', 'item_id'], how='left')
df_time

这样就可以把它链接到一起。可以看到有些是有 3 但是没有 4，4 的位置是空值。那我们需要在对数据进行一下处理，将空值去掉。

df_time_34 = df_time.dropna()
df_time_34

接着咱们来计算从加购物车到购买的时间差：

delta_time = pd.to_datetime(df_time_34['time4']) - pd.to_datetime(df_time_34['time3'])
delta_time

---
4           0 days 00:00:00
                ...        
542781    -5 days +15:00:00
542788    -3 days +01:00:00
Length: 115705, dtype: timedelta64[ns]

这是要去分析的一个重要特征，可以把这个特征画一画。可以提取一些具体的时间，遍历一下：

delta_hour = []
for i in range(len(delta_time)):
  d_hour = delta_time.iloc[i].days * 24 + delta_time.iloc[i]._h
  delta_hour.append(d_hour)
delta_hour

接着去写可视化的过程

plt.hist(delta_hour, bins=24)
plt.xlabel('Hours')
plt.ylabel('Count')
plt.title('Delta_hour from shopping cart to buy')
plt.grid(True)
plt.show()

可以看到这个数据存在一些异常值，有一些购买和原来的时间不匹配的情况。如果它存在这种不匹配的情况，你可以把它删掉，给它做一个处理。

delta_hour = []
for i in range(len(delta_time)):
  d_hour = delta_time.iloc[i].days * 24 + delta_time.iloc[i]._h
  if d_hour<0:
    continue
  else:
    delta_hour.append(d_hour)
delta_hour

接着咱们再来展现一下看看：

通过这个例子可以看出来比较明显，基本上用户在一天之内都完成了购买，之后陆陆续续也会有一些购买。所以这个特征是一个非常强的特征，特征比较强就可以直接去查看 2014 年 12 月 18 号的购物车，当时放到购物车的用户有哪些。

这个怎么看? 咱们之前在拆解数据的时候，购物车数据应该是 time3， 也就是 df_time_3。咱们来看看这个部分：

# 查看2014-12-18，当时放到购物车中的用户
ui_pred = df_time[df_time['time4'].isnull() & (df_time['time3'] >= '2014-12-18 00')]
ui_pred

求一下 time3 有但是 time4 没有，并且 time3 又大于等于 12 月 18 号，这个数据应该就是咱们想要的数据。

我们想要的就是大于 12 月 18 号在那一天放到购物车，但是没有产生购物的人，求解出来以后再去做一个商品子集的对比。

在原始数据中有个商品子集，咱们可以检索一下，商品子集是 item_id， 把这两个 item_id 做一个求解，做一个 merge。

df_item = pd.read_csv(path+'/tianchi_fresh_comp_train_item.csv')
df_item
ui_pred_in_p = pd.merge(ui_pred, df_item, on='item_id')
ui_pred_in_p

然后把这个结果保存起来

ui_pred_in_p.to_csv(path+'/baseline_rulebased.csv', columns = ['user_id', 'item_id'], index=False)

根据要求应该只有两列，一个是 user_id，一个是 item_id。 所以咱们在保存的时候设置了一下 columns。 index = False 是不要把序号加上去.

保存完毕之后，咱们再来看看保存好的文件，读取一下看看：

pd.read_csv(path+"/baseline_rulebased.csv")

查看一下没有问题，那咱们就可以提交了，看看最终的成绩是怎样的。虽然这次没用机器学习，但是我们找到了一个比较好的特征，这个特征非常明显，可以看看这个特征对最终预测是否会有帮助。

提交之后可以看到自己的分数，那可以看到咱们此次的分数并不高，只有0.06875，也是大概在 400 多名去了。整个参赛队伍大概是有 15000 名左右。

整个数据如果能找到一个比较好的特征，那至少可以把它当成一个权重因子，后续还可以再去引入到一些新的维度，也可以采用多种 rule base 一起来做一个合并，也可以在此基础上再做一些模型训练。

从上面这个例子来去看，推荐系统在这些操作之后还可以再加一个预测的模型，让预测更加精准，而这是一种比较常见的策略。

好，这个就是本节课的一些内容，大家如果想要在比赛中提高自己的分数，或者加强自己的能力，课后可以在尝试融合一些模型训练。勤思考，勤练习，期待大家能有一个更好的成绩和提升，别忘了回来留言告诉我你的成绩。咱们下节课再见。