RecommendationSystemDemo

基于Surprise实现的具有完整功能的推荐系统服务，并利用flask框架实现了简单的接口调用。

封装了完整的更新日志数据、训练、根据id查询推荐结果等功能。

包含了常见的SVD、FM等算法。

一、文件说明：

python版本：3.6

requirements.txt在yx_recommender_system下

• my_data: 本地用于测试的电影数据
• yx_recommender_system: 封装好的推荐系统核心代码，对web服务调用者透明。
• demo_server.py: web服务服务端代码。
• server_implement.py: 推荐服务功能实现。
• demo_client.py: 客户端代码，因不一定用python调用所以暂未实现。
• yxdemo.py: 调用推荐系统的参考demo，执行结果参考如下：

分别是推荐给用户id为1的电影列表（综合了热门物品推荐结果和基于用户协同过滤算法推荐结果），以及上一次训练的时间。

二、使用说明

运行服务端代码即可：

python demo_server.py

客户端通过restfulAPI访问，示例如下：

1. 获取推荐结果

使用GET访问 http://127.0.0.1:5000/v1/user/<user_id> <user_id>即查询的用户id，例如：

http://127.0.0.1:5000/v1/user/1

返回推荐结果的字典字符串。

2. 上传行为日志

使用POST访问 http://127.0.0.1:5000/v1/log/behavior

返回200代表成功，400代表错误。

body参考：

{	
	"log_type":"user_behavior",
	"data_num":"1",
	"data":
	{
		"0":{"user_id":"1","item_id":"2","rate":"1","rate_date":"2020-01-15 13:40:32","rate_timestamp":"1578462032419"}
	}
	
}

三、推荐系统说明

3.1 开放API

可参考yxdemo.py。

#导入
import yx_recommender_system.recommender_system as yxrs

#类的初始化
rs_test = yxrs.YXRecommenderSystem(dir_csv_data="xx/data/",
                        dir_csv_recs="xx/recs/",
                        dir_csv_logs="xx/logs/")
#初始化时需要指定保存数据csv文件、推荐结果文件、日志文件的文件夹路径。


#获取协同过滤算法的评价指标值
rs_test.runTest(test_type = "user_rate")
#test_type = "user_rate","coverage" 分别测试协同过滤推荐的RMSE和覆盖率

#执行推荐算法训练
rs_test.runTrain()
   

#根据user_id查询推荐结果列表
rs_test.getRecommendByUserID(user_id = 1)


#获取上一次执行推荐算法训练的时间
rs_test.getLastTrainTime()

#更新手动推荐物品
rs_test.updateManualSet(update_log)
#update_log:暂定python字典 e.g.update_log = {'item_list':[1,2,3,4,5,6,7,8,9]}

#更新日志
update_item_log = '{"item_list":"1,2,3,4,5","update_user":"admin","remark":"test"}'
rs_test.updateManualSet(update_item_log)
    
user_behavior_log = '{"user_id":"1","item_id":"1","rate":"1","rate_date":"2020-01-08 13:40:32","rate_timestamp":"1578462032419"}'
rs_test.updateUserBehavior(user_behavior_log)

user_log = '{"user_id":"10000","user_name":"Test2","update_date":"2020-01-08 13:40:32","update_timestamp":"1578462032419"}'
rs_test.updateUser(user_log)

item_log = '{"item_id":"10000","item_name":"Test","update_date":"2020-01-08 13:40:32","update_timestamp":"1578462032419"}'
rs_test.updateItem(item_log)

3.2 算法测试

在Surprise提供的算法基础上加入了经典的FM算法，使用的是xlearn库实现。

• 测试数据集：movielens 10000条评论数据
• 评价指标：RMSE
• 运行环境：CPU i5-8400

算法	结果(RMSE)	运行时间(s)
Random	1.9664	0.01
NormalPredictor	1.5186	0.21
KNNBasic	0.9872	2.96
KNNWithMeans	0.9629	3.18
KNNWithZScore	0.9631	3.38
KNNBaseline	0.9419	3.72
SVD	0.9475	3.80
SVDpp	0.9286	141.13
NMF	0.9741	4.22
CoClustering	0.9695	1.63
FM	0.9923	2079

四、相关资源

• Surprise:A Python scikit for building and analyzing recommender systems
• xlearn:High performance, easy-to-use, and scalable machine learning (ML) package
• 推荐系统资料笔记收录