KTV歌曲推荐-逻辑回归-用户性别预测
前言 上一篇写了推荐系统最古老的的一种算法叫协同过滤，古老并不是不好用，其实还是很好用的一种算法，随着时代的进步，出现了神经网络和因子分解等更优秀的算法解决不同的问题。 这里主要说一下逻辑回归，逻辑回归主要用于打分的预估。我这里没有打分的数据所以用性别代替。 这里的例子就是用歌曲列表预判用户性别。 什么是逻辑回归 逻辑回归的资料比较多，我比较推荐大家看刷一下bilibili上李宏毅老师的视频，这里我只说一些需要注意的点。 网络结构 逻辑回归可以理解为一种单层神经网络，网络结构如图： 激活函数选择 逻辑回归一般选sigmoid或者softmax 图的上半部分就是二元逻辑回归激活函数是sigmoid 图的下半部分是多元逻辑回归没有激活函数直接接了一个softmax 别问我啥是sigmoid啥是softmax，问就是百度。 损失函数选择 损失函数逻辑回归常用的有三种（其实有很多不止三种，自己查API喽）: binary_crossentropy categorical_crossentropy sparse_categorical_crossentrop 这里其实用binary更合适，但是我这里选的categorical_crossentropy，因为我懒得改了，而且我后面会做其他功能 梯度下降选择 梯度下降方式有很多，我这里选择随机梯度下降，sgd其实我觉得adam更合适，看大家心情了。至于为啥 数据准备 这次的数据是1万条KTV唱歌数据，别问我数据哪来的。问就是别人给的。 X是用户唱歌数据的one-hot Y是用户的性别one-hot 下面是真正的技术 代码实现 数据拆分为 80%训练 20%测试 这里虽然只有两类但是还是用了softmax，不影响 训练工具是keras 数据获取 下面代码都干了些啥呢，主要是两个matrix。 一个是用户唱歌的onehot->song_hot_matrix。 一个是用户性别的onehot->decades_hot_matrix。 代码不重要，主要看字。 import elasticsearch import elasticsearch.helpers import re import numpy as np import operator import datetime es_client = elasticsearch.Elasticsearch(hosts=["localhost:9200"]) def trim_song_name(song_name): """ 处理歌名，过滤掉无用内容和空白 """ song_name = song_name.strip() song_name = re.sub("【.*?】", "", song_name) song_name = re.sub("（.*?）", "", song_name) return song_name def trim_address_name(address_name): """ 处理地址 """ return str(address_name).strip() def get_data(size=0): """ 获取uid=>作品名list的字典 """ cur_size=0 song_dic = {} user_address_dic = {} user_decades_dic = {} search_result = elasticsearch.helpers.scan( es_client, index="ktv_user_info", doc_type="ktv_works", scroll="10m", query={ "query":{ "range": { "birthday": { "gt": 63072662400 } } } } ) for hit_item in search_result: cur_size += 1 if size>0 and cur_size>size: break user_info = hit_item["_source"] item = get_work_info(hit_item["_id"]) if item is None: continue work_list = item['item_list'] if len(work_list)<2: continue if user_info['gender']==0: continue if user_info['gender']==1: user_info['gender']="男" if user_info['gender']==2: user_info['gender']="女" song_dic[item['uid']] = [trim_song_name(item['songname']) for item in work_list] user_decades_dic[item['uid']] = user_info['gender'] user_address_dic[item['uid']] = trim_address_name(user_info['address']) return (song_dic, user_address_dic, user_decades_dic) def get_user_info(uid): """ 获取用户信息 """ ret = es_client.get( index="ktv_user_info", doc_type="ktv_works", id=uid ) return ret['_source'] def get_work_info(uid): """ 获取用户信息 """ try: ret = es_client.get( index="ktv_works", doc_type="ktv_works", id=uid ) return ret['_source'] except Exception as ex: return None def get_uniq_song_sort_list(song_dict): """ 合并重复歌曲并按歌曲名排序 """ return sorted(list(set(np.concatenate(list(song_dict.values())).tolist()))) from sklearn import preprocessing %run label_encoder.ipynb user_count = 4000 song_count = 0 # 获得用户唱歌数据 song_dict, user_address_dict, user_decades_dict = get_data(user_count) # 歌曲字典 song_label_encoder = LabelEncoder() song_label_encoder.fit_dict(song_dict, "", True) song_hot_matrix = song_label_encoder.encode_hot_dict(song_dict, True) user_decades_encoder = LabelEncoder() user_decades_encoder.fit_dict(user_decades_dict) decades_hot_matrix = user_decades_encoder.encode_hot_dict(user_decades_dict, False) song_hot_matrix uid 洗刷刷 麻雀 你的答案 0 0 1 0 1 1 1 0 2 1 0 0 3 0 0 0 decades_hot_matrix uid 男 女 0 1 0 1 0 1 2 1 0 3 0 1 模型训练 import numpy as np from keras.models import Sequential from keras.layers import Dense, Activation, Embedding,Flatten import matplotlib.pyplot as plt from keras.utils import np_utils from sklearn import datasets from sklearn.model_selection import train_test_split n_class=user_decades_encoder.get_class_count() song_count=song_label_encoder.get_class_count() print(n_class) print(song_count) # 拆分训练数据和测试数据 train_X,test_X, train_y, test_y = train_test_split(song_hot_matrix, decades_hot_matrix, test_size = 0.2, random_state = 0) train_count = np.shape(train_X)[0] # 构建神经网络模型 model = Sequential() model.add(Dense(input_dim=8, units=n_class)) model.add(Activation('softmax')) # 选定loss函数和优化器 model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']) # 训练过程 print('Training -----------') for step in range(train_count): scores = model.train_on_batch(train_X, train_y) if step % 50 == 0: print("训练样本 %d 个, 损失: %f, 准确率: %f" % (step, scores[0], scores[1]*100)) print('finish!') 准确率测试集评估 数据训练完了用拆分出来的20%数据测试一下： # 准确率评估 from sklearn.metrics import classification_report scores = model.evaluate(test_X, test_y, verbose=0) print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100)) Y_test = np.argmax(test_y, axis=1) y_pred = model.predict_classes(test_X) print(classification_report(Y_test, y_pred)) 输出： accuracy: 78.43% precision recall f1-score support 0 0.72 0.90 0.80 220 1 0.88 0.68 0.77 239 accuracy 0.78 459 macro avg 0.80 0.79 0.78 459 weighted avg 0.80 0.78 0.78 459 人工测试 然后让小伙伴们一起来玩耍，嗯准确率100%，完美！ def pred(song_list=[]): blong_hot_matrix = song_label_encoder.encode_hot_dict({"bblong":song_list}, True) y_pred = model.predict_classes(blong_hot_matrix) return user_decades_encoder.decode_list(y_pred) # # 男A # print(pred(["一路向北", "暗香", "菊花台"])) # # 男B # print(pred(["不要说话", "平凡之路", "李白"])) # # 女A # print(pred(["知足", "被风吹过的夏天", "龙卷风"])) # # 男C # print(pred(["情人","再见","无赖","离人","你的样子"])) # # 男D # print(pred(["小情歌","我好想你","无与伦比的美丽"])) # # 男E # print(pred(["忐忑","最炫民族风","小苹果"]))
