带有 TensorFlow 的推荐系统 (SVD)

Question

我正在尝试创建一种协同过滤算法来向某些用户推荐产品。

我很快就开始使用 TensorFlow（我认为它足够有效和灵活）。 我发现这段代码可以做我感兴趣的事情，创建模型并训练用户 ID、产品和评级：https://github.com/songgc/TF-recomm

我启动了代码并训练了模型。

训练完模型后，我需要进行预测，即为每个用户获取建议，以便将它们保存在我使用 NODE.js 应用程序访问的数据库中。

培训完成后，如何为每个用户检索此建议列表？

if __name__ == '__main__':
    df_train, df_test=get_data()
    svd(df_train, df_test)
    print("Done!")

Answer 1

你可以运行

predict_result = sess.run(inter_op, feed_dict={user_batch:users, item_batch:items})

which users 表示所有用户 id 和所有 item id 的 item，predict_result 是每个用户对所有 item 的分数，可以将 predict_result 存储到 DB 中；

Answer 2

您需要修改代码的预测部分以输出top K推荐的产品。当前进行预测的代码是：

 embd_user = tf.nn.embedding_lookup(w_user, user_batch, name="embedding_user")
 embd_item = tf.nn.embedding_lookup(w_item, item_batch, name="embedding_item")
 infer = tf.reduce_sum(tf.multiply(embd_user, embd_item), 1)

这里的embed_user 是特定用户的用户嵌入，embd_item 是针对特定项目的。因此，您无需将particular user 与particular item 进行比较，而是需要对其进行更改以将其与所有项目进行比较。矩阵w_item 是所有项目的嵌入。这可以通过以下方式完成：

 embd_user = tf.nn.embedding_lookup(w_user, user_batch, name="embedding_user")
 # Multiply user embedding of shape: [1 x dim] 
 # with every item embeddings of shape: [item_num, dim], 
 # to produce rank of all items of shape: [item_num]
 predict = tf.matmul(embd_user, w_item, transpose_b=True)

然后可以选择预测输出中最大值的top k索引。