Workerman을 사용하여 협업 필터링 기반의 영화 추천 시스템을 구현하는 방법

인터넷 기술이 지속적으로 발전하면서 점점 더 많은 웹사이트와 애플리케이션이 사용자 경험과 개인화된 추천에 초점을 맞추기 시작했습니다. 추천 시스템은 사용자의 과거 행동과 선호도를 기반으로 사용자의 관심 사항에 가장 적합한 콘텐츠를 추천할 수 있는 매우 중요한 부분입니다. 이 기사에서는 Workerman 프레임워크를 사용하여 협업 필터링을 기반으로 한 영화 추천 시스템을 구현하는 방법을 소개합니다.

1. 협업 필터링 알고리즘

협업 필터링은 사용자의 과거 행동 및 선호도를 기반으로 알 수 없는 항목에 대한 사용자의 평가 또는 해당 항목을 좋아할지 여부를 예측하는 알고리즘입니다. 협업 필터링 알고리즘의 기본 아이디어는 사용자 간의 유사성과 항목 간의 유사성을 발견하는 것입니다. 그 중 사용자 간의 유사성은 사용자의 과거 평점의 유사성을 계산하여 구현할 수 있으며, 항목 간의 유사성은 서로 다른 항목에 대한 서로 다른 사용자의 평점을 계산하여 구현할 수 있습니다.

2. Workerman 프레임워크 소개

Workerman은 순수 PHP로 개발된 고성능 네트워크 통신 프레임워크로 비동기식 비차단 IO 모델을 채택하고 높은 동시성, 고성능, 낮은 에너지 소비 등의 특성을 가지고 있습니다. ., 다수의 동시성 장기 실행 작업을 처리할 수 있습니다. 연결을 사용하여 분산, 인스턴트 메시징, 온라인 게임, 사물 인터넷 및 기타 시나리오를 실현할 수 있습니다.

3. Workerman을 사용하여 협업 필터링 기반 영화 추천 시스템 구현

1. 데이터 준비

먼저 영화 평점 데이터 세트를 준비해야 합니다. 영화. 데이터 세트는 MovieLens 웹사이트에서 다운로드할 수 있습니다. 예를 들어 ml-100k.zip 패키지를 다운로드하면 압축을 푼 후 100,000개의 평가 기록이 포함된 u.data 파일을 얻을 수 있습니다. 데이터 세트의 형식은 다음과 같습니다.

UserID | MovieID | Rating | Timestamp
---------------------------------------
   196  |    242  |      3 | 881250949
   186  |    302  |      3 | 891717742
   196  |    377  |      1 | 878887116
...

2. 사용자 평가 모델 구축

영화 평가 데이터 세트에 따라 우리는 사용자 평가 모델을 구축할 수 있으며, 이를 기반으로 모든 영화에 대한 사용자 평가를 쿼리할 수 있습니다. 사용자 ID. 다음은 간단한 사용자 평가 모델의 예입니다.

class UserModel
{
    public static function getRatings($userId)
    {
        $ratings = array();
        $file = fopen('u.data', 'r');
        while (($line = fgets($file)) !== false) {
            $data = explode("    ", trim($line));
            if ($userId == $data[0]) {
                $ratings[$data[1]] = $data[2]; // 记录该用户对该电影的评分
            }
        }
        fclose($file);
        return $ratings;
    }
}

3. Build an Collaborative Filtering Model

설정된 사용자 평가 모델을 기반으로 우리는 협업 필터링 모델을 구축할 수 있습니다. 이를 통해 알려지지 않은 영화에 대한 사용자 평가를 예측할 수 있습니다. 사용자의 과거 평점 점수에 따라 다음은 간단한 협업 필터링 모델의 예입니다.

class CFModel
{
    public static function predictRating($userId, $movieId)
    {
        $simUsers = array(); // 相似用户ID列表
        $simValues = array(); // 相似值列表
        $ratings1 = UserModel::getRatings($userId);
        if (empty($ratings1)) {
            return 0;
        }
        $file = fopen('u.data', 'r');
        while (($line = fgets($file)) !== false) {
            $data = explode("    ", trim($line));
            if ($userId != $data[0] && $movieId == $data[1]) { // 如果不是当前用户且电影相同
                $ratings2 = UserModel::getRatings($data[0]);
                if (!empty($ratings2)) { // 如果相似用户有评分记录
                    $sim = self::similarity($ratings1, $ratings2); // 计算相似度
                    if ($sim > 0) { // 如果相似度大于0
                        $simUsers[] = $data[0];
                        $simValues[] = $sim;
                    }
                }
            }
        }
        fclose($file);
        if (empty($simUsers)) {
            return 0;
        }
        arsort($simValues); // 按相似度从高到低排序
        $simUsers = array_slice($simUsers, 0, 10); // 取相似度最高的10个用户
        $simValues = array_slice($simValues, 0, 10); // 取相似度最高的10个用户的相似度值
        $sum = 0;
        $weight = 0;
        foreach ($simUsers as $k => $simUser) {
            $rating = UserModel::getRatings($simUser)[$movieId]; // 获取相似用户对该电影的评分
            $sum += $simValues[$k] * $rating; // 计算评分总和
            $weight += $simValues[$k]; // 计算权重总和
        }
        return round($sum / $weight); // 计算平均评分
    }

    public static function similarity($ratings1, $ratings2)
    {
        $commonKeys = array_keys(array_intersect_key($ratings1, $ratings2));
        if (empty($commonKeys)) {
            return 0;
        }
        $diff1 = $diff2 = 0;
        foreach ($commonKeys as $key) {
            $diff1 += ($ratings1[$key] - $ratings2[$key]) ** 2;
            $diff2 += ($ratings1[$key] - $ratings2[$key]) ** 2;
        }
        return $diff1 / sqrt($diff2);
    }
}

4. 추천 시스템 서비스 구축

위의 협업 필터링 모델을 기반으로 사용자 ID와 영화 ID를 매개변수로 받고 이를 반환할 수 있는 추천 시스템 서비스를 구축할 수 있습니다. 사용자 이 영화에 대한 예상 등급입니다. 다음은 추천 시스템 서비스의 간단한 예입니다.

use WorkermanProtocolsHttpRequest;
use WorkermanProtocolsHttpResponse;
use WorkermanWorker;

require_once __DIR__ . '/vendor/autoload.php';

$http_worker = new Worker("http://0.0.0.0:8888");

$http_worker->onMessage = function(Request $request, Response $response) {
    $userId = $request->get('userId');
    $movieId = $request->get('movieId');
    $rating = CFModel::predictRating($userId, $movieId);
    $response->header('Content-Type', 'application/json');
    $response->end(json_encode(array('rating' => $rating)));
};

Worker::runAll();

5. 추천 시스템 서비스 테스트

마지막으로 HTTP 요청을 보내 추천 시스템 서비스를 테스트할 수 있습니다. 예:

http://localhost:8888?userId=1&movieId=1

요청은 응답을 반환합니다. JSON 형식으로, 영화에 대한 사용자의 예상 평가를 포함합니다.

IV. 요약

이 기사에서는 Workerman 프레임워크를 사용하여 협업 필터링을 기반으로 하는 영화 추천 시스템을 구현하는 방법을 소개합니다. 이 시스템은 사용자의 과거 행동과 선호도를 기반으로 알려지지 않은 영화에 대한 사용자 평가를 예측할 수 있습니다. 코드 예제는 단순한 구현일 뿐이며, 실제 애플리케이션에서는 데이터 크기, 알고리즘 최적화, 모델 교육 등 많은 요소를 고려해야 합니다. 이 글이 독자들이 추천 시스템을 이해하고 구현하는 데 도움이 되기를 바랍니다.

위 내용은 Workerman을 사용하여 협업 필터링 기반의 영화 추천 시스템을 구현하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!