Filtro collaborativo cos'è e come implementarlo con python

Il filtraggio collaborativo può essere considerato una tecnica per fornire consigli in un sistema o motore di suggerimenti. In sostanza, possiamo dire che è un modo per trovare somiglianze tra utenti e oggetti.

I sistemi di raccomandazione hanno un'ampia gamma di applicazioni in tutti i domini.

Costruire un buon sistema di raccomandazione adatto alle esigenze aziendali è sempre una sfida. Un buon sistema può essere sviluppato solo quando c'è una buona comprensione del suo funzionamento. In questo articolo, discuteremo come creare da zero un sistema di raccomandazione , in particolare basato su filtri collaborativi. Inizieremo con i dati casuali e costruiremo un sistema di raccomandazione per generare raccomandazioni.

Indice

Iniziamo con la comprensione del filtro collaborativo.

Il filtraggio collaborativo può essere considerato una tecnica per fornire consigli in un sistema o motore di suggerimenti. In sostanza, possiamo dire che è un modo per trovare somiglianze tra utenti e oggetti. Utilizzandolo possiamo calcolare le valutazioni in base alle valutazioni di utenti simili o articoli simili.

I sistemi di raccomandazione basati sul filtraggio collaborativo possono essere classificati nei seguenti modi:

In questo articolo cercheremo di comprendere da zero il filtraggio collaborativo. Per prima cosa creeremo un esempio di dati e cercheremo di trovare somiglianze tra gli elementi. Trovare la somiglianza tra gli elementi è correlato alla ricerca della correlazione tra gli elementi in base ai dati che abbiamo. Prima di passare all'implementazione ci viene richiesto di capire qual è la correlazione.

La correlazione può essere considerata come la relazione tra due variabili. Questo può essere di tre tipi positivo, negativo o neutro. Se due variabili sono correlate positivamente, possiamo dire che i cambiamenti in una variabile in direzione positiva o negativa possono fornire un cambiamento nella seconda variabile in direzione positiva o negativa.

Se la correlazione è negativa, un cambiamento in una variabile può causare un cambiamento nella direzione opposta. Se le variabili sono correlate in modo neutro, le modifiche in una variabile non provocano una modifica nell'altra. La misurazione della correlazione può essere effettuata utilizzando il coefficiente di correlazione.

Il calcolo del coefficiente di correlazione può essere effettuato calcolando prima la covarianza della variabile e poi dividendo per la quantità di covarianza per il prodotto delle deviazioni standard di tali variabili.

Matematicamente,

Dove,

r = coefficiente di correlazione

x i = valori di x variabile in un campione

x = media dei valori della variabile x

y i = valori della variabile y in un campione

y = media dei valori della variabile y

E' veramente molto semplice, potresti quasi calcolarla con un foglio di carta e una calcolatrice

Esistono molti tipi di coefficienti di correlazione utilizzati nell'analisi statistica, utilizziamo principalmente la correlazione di Pearson per i sistemi di raccomandazione perché è una misura della forza e della direzione della relazione lineare tra due variabili. Passiamo all'implementazione di un sistema di raccomandazione.

1. Importiamo le librerie

#Importiamo le libreire
 import pandas as pd
 import numpy as np
 import matplotlib.pyplot as plt
 

2. Set di dati

In questo articolo, implementeremo un sistema di raccomandazione utilizzando l'approccio di filtraggio collaborativo a tale scopo lavoreremo su dati semplici. Diciamo che abbiamo alcuni utenti, prodotti e valutazioni di quel prodotto fornite dall'utente. Possiamo creare un tale set di dati utilizzando il codice di seguito

#creiamo un dataset finto molto semplice per farti capire come funziona un filtro collaborativo,
 #successivamente per te sarà facile implementarlo con i tuoi dati
 
 data2 = {'user_id':[1, 2, 3, 1, 2],
  'product_id':[1, 2, 1,2,3],
  'product_name':['product_1', 'product_2', 'product_1','product_2','product_3'],
  'rating':[3,3,3,2,2]
  }
 
 items_df = pd.DataFrame(data2)
 items_df
 
 Output:

3. Tabella pivot

Creiamo una tabella pivot utilizzando questi dati in base a user_id e product_name.

#Creiamo una tabella Pivot tra il voto e i prodotti
 pivot = pd.pivot_table(items_df,values='rating',columns='product_name',index='user_id')
 pivot
 
 Output:

Qui nell'output sopra, possiamo vedere la nostra tabella pivot. Questo formato di tabella può essere utilizzato per calcolare la correlazione. Poiché la correlazione sarà maggiore, possiamo usarli come nostra raccomandazione.

Generazione di raccomandazione

Per comprendere chiaramente il processo, abbiamo utilizzato un set di dati molto semplice e possiamo dire, vedendo la tabella sopra, che i prodotti 1, 2 e 3 hanno valutazioni simili e il prodotto 1 ha due recensioni. Quindi potrebbe esserci la possibilità che i prodotti 2 e 3 siano consigliati con il prodotto 1. Verifichiamo i nostri risultati.

#generiamo una raccompandazione in base a prodotti e rating
 print('Il prodotto da consigliare quando viene acquistato il product_2 è :')
 print( pivot.corr()['product_2'].sort_values(ascending=False).iloc[1:2])
 
 Output :
 Il prodotto da consigliare quando viene acquistato il product_2 è : product_name product_1 NaN

Utilizzando le righe di codici sopra, calcoliamo la correlazione tra i prodotti e ordiniamo i valori. Quindi abbiamo stampato 1 valore e abbiamo scoperto che il nostro sistema ci consiglia di acquistare o utilizzare il prodotto 2 con il prodotto 1.

Nella sezione precedente, abbiamo esaminato il processo di creazione di dati e tabelle pivot. In questa sezione, utilizzeremo dati simili per implementare il filtraggio collaborativo basato sull'utente.

1. Tabella pivot

Iniziamo con la creazione di una tabella pivot per il filtraggio collaborativo basato sull'utente. A questo scopo, ci viene richiesto di invertire la nostra vecchia tabella pivot, il che significa che ora stiamo creando una tabella pivot basata sugli utenti come colonne.

#Creiamo una tabella Pivot tra il voto e gli utenti
 pivot1 = pd.pivot_table(items_df,values='rating',columns='user_id',index='product_name')
 pivot1
 
 Output:

Nella tabella sopra, possiamo vedere che abbiamo user-id come colonna e prodotti come riga.

2. Generazione di raccomandazione

In questa sezione, troveremo utenti simili in base alle valutazioni fornite. In modo da poter filtrare gli utenti e fornire consigli simili su elementi diversi oppure possiamo anche fornire consigli a un utente in base a una cronologia utente simile.

#generiamo una raccompandazione in base a utenti e rating
 print('Gli utenti simili a user_2 sono :')
 print( pivot1.corr()[2].sort_values(ascending=True).iloc[1:2])
 
 Output:
 Gli utenti simili a user_2 sono :
 user_id 1 NaN

Nell'output sopra, possiamo vedere che l'utente 1° è più simile all'utente 2°, ed è perché hanno fornito valutazioni quasi simili nel nostro set di dati principale.

In questo articolo, abbiamo esaminato le intuizioni di base alla base della creazione di sistemi di raccomandazione utilizzando tecniche di filtraggio collaborativo e abbiamo imparato questo approccio da zero.

Condividi l'articolo se ti è piaciuto :)