用于推荐的隐式 Python 库的空白结果

Question

我正在使用 Python 隐式库 (https://github.com/benfred/implicit)，希望为我的用户群生成一些产品推荐。我有来自我的用户群的 13,000 次产品浏览数据。我已将此数据提取到如下所示的 csv 中：

user_id, 1, 2, 3
1, 0, 1, 0
2, 1, 1, 0
3, 0, 0, 1

我上面的 csv 的顶部是 product_id，左侧是行中第一列的 user_id。每个用户的 1 或 0 反映了用户是否查看了该 product_id。以下是我目前尝试生成建议的代码：

import implicit
import pandas as pd
import scipy.sparse as sparse

data = pd.read_csv('data/interactions_matrix.csv')
interactions = sparse.csr_matrix(data.to_sparse().to_coo())

# initialize a model
model = implicit.als.AlternatingLeastSquares()

# train the model on a sparse matrix of item/user/confidence weights
model.fit(interactions)

user_ids = [1,2,3]

# recommend items for a user
for user_id in user_ids:
    print(user_id)
    print(model.recommend(user_id, interactions))

不幸的是，当我运行结果时，我得到了一堆空白数组，这让我觉得我做错了什么。我猜这是我要导入的数据的格式，但我很难找到有关示例数据格式的信息以读入库。

Answer 1

当像这样加载数据时，您的交互矩阵仍然有每个项目/用户对的条目 - 对于这个库来说，这表明每个用户都喜欢每个项目。默认情况下，推荐调用会删除已经喜欢的项目（使用 filter_already_liked_items 参数），导致结果像您看到的那样是空数组 - 但这也意味着您训练的模型也不会有任何好处。

在拟合模型之前，您应该调用interactions.eliminate_zeros() 删除零条目。此外，与其拥有 CSV 格式的密集矩阵并转换为 coo，不如列出 itemid/userid/value 的三元组可能更容易