Comment utiliser MongoDB pour mettre en œuvre une fonction de recommandation intelligente des données

Comment utiliser MongoDB pour implémenter la fonction de recommandation intelligente des données

Introduction :
De nos jours, avec le développement d'Internet, la fonction de recommandation intelligente est devenue une partie importante de nombreuses applications. En tant que base de données non relationnelle, la flexibilité du modèle de stockage et la vitesse des requêtes de MongoDB en font un outil privilégié pour réaliser des fonctions intelligentes de recommandation de données.
Cet article expliquera comment utiliser MongoDB pour implémenter la fonction de recommandation intelligente des données, y compris des étapes détaillées telles que la modélisation, le stockage et la requête des données, et donnera des exemples de code spécifiques.

1. Modélisation des données
Avant d'utiliser MongoDB pour implémenter la fonction de recommandation intelligente des données, nous devons d'abord modéliser les données. Il existe deux méthodes de modélisation courantes : le filtrage collaboratif basé sur l'utilisateur (User-based Collaborative Filtering) et le filtrage basé sur le contenu (Content-based Filtering).
Le filtrage collaboratif basé sur l'utilisateur consiste à rechercher d'autres utilisateurs ayant des intérêts similaires à ceux de l'utilisateur actuel en fonction de l'historique de son comportement, puis à formuler des recommandations pour l'utilisateur actuel en fonction du comportement de ces utilisateurs. Le modèle de données du filtrage collaboratif basé sur l'utilisateur peut être modélisé de la manière suivante :

{
  user_id: "用户ID",
  item_id: "物品ID",
  rate: "用户对物品的评分",
  timestamp: "评分时间"
}

Le filtrage basé sur le contenu analyse les caractéristiques des éléments pour trouver d'autres éléments similaires à l'élément actuel, puis en fonction des caractéristiques de ces éléments similaires pour Les utilisateurs font des recommandations. Le modèle de données du filtrage basé sur le contenu peut être modélisé de la manière suivante :

{
  item_id: "物品ID",
  features: ["物品特征1", "物品特征2", "物品特征3", ...]
}

La méthode de modélisation spécifique peut être sélectionnée en fonction de la situation réelle. Ce qui précède n'est qu'un exemple de modélisation courant.

2. Stockage des données
Après la modélisation des données, les données doivent être stockées dans MongoDB. L'utilisation de MongoDB pour stocker des données peut stocker des données sous forme d'objets JSON à l'aide du modèle de document qu'il fournit.
En prenant comme exemple le filtrage collaboratif basé sur l'utilisateur, nous pouvons utiliser le code suivant pour stocker des données dans MongoDB :

from pymongo import MongoClient

client = MongoClient()
db = client['recommendation']
collection = db['ratings']

data = [
  {"user_id": "user1", "item_id": "item1", "rate": 4, "timestamp": "2019-01-01"},
  {"user_id": "user1", "item_id": "item2", "rate": 5, "timestamp": "2019-01-01"},
  {"user_id": "user2", "item_id": "item1", "rate": 3, "timestamp": "2019-01-02"},
  {"user_id": "user2", "item_id": "item3", "rate": 2, "timestamp": "2019-01-02"},
  ...
]

collection.insert_many(data)

Pour le filtrage basé sur le contenu, nous pouvons utiliser le code suivant pour stocker des données dans MongoDB :

from pymongo import MongoClient

client = MongoClient()
db = client['recommendation']
collection = db['items']

data = [
  {"item_id": "item1", "features": ["特征1", "特征2", "特征3", ...]},
  {"item_id": "item2", "features": ["特征4", "特征5", "特征6", ...]},
  {"item_id": "item3", "features": ["特征7", "特征8", "特征9", ...]},
  ...
]

collection.insert_many(data)

3. Recommandation algorithme
Une fois les données stockées, l'algorithme de recommandation doit être implémenté. En raison de la complexité des algorithmes de recommandation, seuls des exemples de code simples de filtrage collaboratif basé sur l'utilisateur et de filtrage basé sur le contenu sont donnés ici.

Exemple d'algorithme de recommandation pour le filtrage collaboratif basé sur l'utilisateur :

from pymongo import MongoClient

client = MongoClient()
db = client['recommendation']
collection = db['ratings']

def user_based_recommendation(user_id, top_k):
    user_ratings = collection.find({"user_id": user_id}).sort('rate', -1).limit(top_k)
    recommended_items = []
    for rating in user_ratings:
        item_ratings = collection.find({"item_id": rating["item_id"]}).sort('rate', -1).limit(top_k)
        for item_rating in item_ratings:
            if item_rating["user_id"] != user_id and item_rating["item_id"] not in recommended_items:
                recommended_items.append(item_rating["item_id"])
                break
    return recommended_items

user_id = "user1"
top_k = 10
recommended_items = user_based_recommendation(user_id, top_k)
print(recommended_items)

Exemple d'algorithme de recommandation pour le filtrage basé sur le contenu :

from pymongo import MongoClient

client = MongoClient()
db = client['recommendation']
collection = db['items']

def content_based_recommendation(items, top_k):
    recommended_items = []
    for item in items:
        item_features = collection.find_one({"item_id": item["item_id"]})["features"]
        similar_items = collection.find({"features": {"$in": item_features}}).sort('item_id', 1).limit(top_k)
        for similar_item in similar_items:
            if similar_item["item_id"] != item["item_id"] and similar_item["item_id"] not in recommended_items:
                recommended_items.append(similar_item["item_id"])
    return recommended_items

items = [
  {"item_id": "item1", "features": ["特征1", "特征2", "特征3"]},
  {"item_id": "item2", "features": ["特征4", "特征5", "特征6"]},
  ...
]

top_k = 10
recommended_items = content_based_recommendation(items, top_k)
print(recommended_items)

Conclusion :
Cet article présente comment utiliser MongoDB pour implémenter des fonctions de recommandation intelligentes pour les données, y compris la modélisation des données. , Des étapes détaillées telles que le stockage et l'interrogation sont données, et des exemples de code d'algorithmes de recommandation pour le filtrage collaboratif basé sur l'utilisateur et le filtrage basé sur le contenu sont donnés. J'espère que les lecteurs pourront s'inspirer de cet article pour utiliser MongoDB pour implémenter la fonction de recommandation intelligente des données.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!