Redis と Python を使用したレコメンデーション システムの構築: パーソナライズされたレコメンデーションを提供する方法

Redis と Python を使用したレコメンデーション システムの構築: パーソナライズされたレコメンデーションを提供する方法

インターネット時代において、レコメンデーション システムは主要なプラットフォームの中核機能の 1 つになりました。ユーザーの行動と個人の好みを分析することにより、推奨システムはユーザーにパーソナライズされたコンテンツの推奨を提供できます。この記事では、Redis と Python を使用して簡単なレコメンデーション システムを構築する方法を紹介し、関連するコード例を示します。

1. Redis の概要

Redis は、オープンソースの高性能 Key-Value ストレージ システムです。文字列、リスト、セット、順序付きセットなどのさまざまなデータ構造をサポートし、さまざまなシナリオに適した豊富なコマンドと関数を提供します。レコメンデーション システムでは、Redis を使用してユーザーの行動データとレコメンデーションの結果を保存し、データのクエリと計算を迅速に実行できます。

2. ユーザー行動記録モジュールの構築

レコメンデーション システムの最初のステップは、ユーザー行動データを収集して記録することです。 Redis の順序付きセット データ構造を使用して、ユーザー行動記録モジュールを実装できます。以下は簡単な例です:

import redis

# 连接Redis
r = redis.Redis(host='localhost', port=6379, db=0)

# 记录用户行为
def record_user_behavior(user_id, item_id):
    r.zincrby('user_behavior', 1, f'{user_id}:{item_id}')

# 获取用户行为排行榜
def get_user_behavior_ranking():
    return r.zrevrange('user_behavior', 0, -1, withscores=True)

上の例では、zincrby コマンドを使用して、ユーザーの行動を user_behavior 順序付きコレクションに記録し、ユーザーID と項目 ID は、順序付きセットのメンバーとして識別されます。 zincrby コマンドは、順序付きセットの指定されたメンバーに対して自動インクリメント操作を実行できるため、さまざまな項目に対するユーザー アクションの数をカウントするのに便利です。

3. 推奨モデルの構築と推奨結果の計算

推奨システムの中核は、推奨モデルと推奨アルゴリズムです。この記事では、協調フィルタリング アルゴリズムを使用して、ユーザーベースの推奨システムを実装します。以下は簡単な例です:

# 构建协同过滤推荐模型
def build_collaborative_filtering_model():
    # 获取用户行为数据
    behavior_data = get_user_behavior_ranking()
    
    # 构建用户相似度矩阵
    similarity_matrix = {}
    for i in range(len(behavior_data)):
        user1, behavior1 = behavior_data[i]
        user1 = user1.split(':')[0]
        for j in range(i+1, len(behavior_data)):
            user2, behavior2 = behavior_data[j]
            user2 = user2.split(':')[0]
            
            # 计算用户相似度（这里简化为用户行为次数的比较）
            similarity = abs(int(behavior1) - int(behavior2))
            
            # 更新用户相似度矩阵
            if user1 not in similarity_matrix:
                similarity_matrix[user1] = {}
            similarity_matrix[user1][user2] = similarity
            
            if user2 not in similarity_matrix:
                similarity_matrix[user2] = {}
            similarity_matrix[user2][user1] = similarity
    
    return similarity_matrix

# 根据用户行为和相似度矩阵进行推荐
def recommend_items(user_id, similarity_matrix):
    user_similarities = similarity_matrix[user_id]
    items = {}
    
    for user, similarity in user_similarities.items():
        for item in r.zscan_iter(f'user_behavior', match=f'{user}:*'):
            item_id = item.decode().split(':')[1]
            items[item_id] = items.get(item_id, 0) + similarity
            
    sorted_items = sorted(items.items(), key=lambda x: x[1], reverse=True)
    return [item[0] for item in sorted_items[:5]]

上の例では、build_collaborative_filtering_model 関数を通じて協調フィルタリング推奨モデルを構築し、ユーザー間の類似性を計算し、recommend_items# を使用します。 ## この関数は類似性行列に基づいて推奨事項を作成します。これにより、類似度の計算や推奨結果の取得が簡素化され、実際のプロジェクトの具体的なニーズに応じて最適化および改善することができます。

呼び出し例

4. # 记录用户行为
   record_user_behavior(1, 'item1')
   record_user_behavior(1, 'item2')
   record_user_behavior(2, 'item2')
   record_user_behavior(2, 'item3')
   
   # 构建推荐模型
   similarity_matrix = build_collaborative_filtering_model()
   
   # 获取推荐结果
   recommendations = recommend_items(1, similarity_matrix)
   print(recommendations)

呼び出し例では、まず 2 人のユーザーの行動を記録し、次に推奨モデルを構築して、ユーザー 1 の推奨結果を取得しました。出力は、ユーザー 1 が興味を持つ可能性のあるアイテムのリストを返します。

Redis と Python を組み合わせることで、シンプルなパーソナライズされたレコメンデーション システムを迅速に構築できます。もちろん、実際のレコメンデーション システムにはより複雑なアルゴリズムとモデルが含まれており、この記事では参考として基本的なフレームワークと例のみを提供します。読者は、実際のニーズに基づいてさらなる改善や拡張を行うことができます。

以上がRedis と Python を使用したレコメンデーション システムの構築: パーソナライズされたレコメンデーションを提供する方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。