/
association.py
61 lines (48 loc) · 3.28 KB
/
association.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
from util.models import RecommendResult, Dataset
from src.base_recommender import BaseRecommender
from collections import defaultdict, Counter
import numpy as np
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules
np.random.seed(0)
class AssociationRecommender(BaseRecommender):
def recommend(self, dataset: Dataset, **kwargs) -> RecommendResult:
# 評価数の閾値
min_support = kwargs.get("min_support", 0.1)
min_threshold = kwargs.get("min_threshold", 1)
# ユーザー×映画の行列形式に変更
user_movie_matrix = dataset.train.pivot(index="user_id", columns="movie_id", values="rating")
# ライブラリ使用のために、4以上の評価値は1, 4未満の評価値と欠損値は0にする
user_movie_matrix[user_movie_matrix < 4] = 0
user_movie_matrix[user_movie_matrix.isnull()] = 0
user_movie_matrix[user_movie_matrix >= 4] = 1
# 支持度が高い映画
freq_movies = apriori(user_movie_matrix, min_support=min_support, use_colnames=True)
# アソシエーションルールの計算(リフト値の高い順に表示)
rules = association_rules(freq_movies, metric="lift", min_threshold=min_threshold)
# アソシエーションルールを使って、各ユーザーにまだ評価していない映画を10本推薦する
pred_user2items = defaultdict(list)
user_evaluated_movies = dataset.train.groupby("user_id").agg({"movie_id": list})["movie_id"].to_dict()
# 学習用データで評価値が4以上のものだけ取得する。
movielens_train_high_rating = dataset.train[dataset.train.rating >= 4]
for user_id, data in movielens_train_high_rating.groupby("user_id"):
# ユーザーが直近評価した5つの映画を取得
input_data = data.sort_values("timestamp")["movie_id"].tolist()[-5:]
# それらの映画が条件部に1本でも含まれているアソシエーションルールを抽出
matched_flags = rules.antecedents.apply(lambda x: len(set(input_data) & x)) >= 1
# アソシエーションルールの帰結部の映画をリストに格納し、登場頻度順に並び替え、ユーザーがまだに評価していないければ、推薦リストに追加する
consequent_movies = []
for i, row in rules[matched_flags].sort_values("lift", ascending=False).iterrows():
consequent_movies.extend(row["consequents"])
# 登場頻度をカウント
counter = Counter(consequent_movies)
for movie_id, movie_cnt in counter.most_common():
if movie_id not in user_evaluated_movies[user_id]:
pred_user2items[user_id].append(movie_id)
# 推薦リストが10本になったら終了する
if len(pred_user2items[user_id]) == 10:
break
# アソシエーションルールでは評価値の予測は難しいため、rmseの評価は行わない。(便宜上、テストデータの予測値をそのまま返す)
return RecommendResult(dataset.test.rating, pred_user2items)
if __name__ == "__main__":
AssociationRecommender().run_sample()