简介
几乎所有人都喜欢与家人、朋友一起观看电影度过闲暇时光。大家可能都有过这样的体验：本想在接下来的两个小时里看一个电影，却坐在沙发上坐了20分钟不知道看什么，选择困难症又犯了，结果好心情也变得沮丧。所以，我们很需要一个电脑代理，在做挑选电影的时候提供推荐。
现在，电影智能推荐系统已经成为日常生活中的一部分。
Data Science Central 曾表示：
“虽然硬数据很难获得，但知情人士估计，对亚马逊和Netflix这样的大型电商平台，推荐系统为它们带来高达10%至25%的收入增长”。
在这个项目中，我研究了一些针对电影推荐的基本算法，并尝试将深度学习融入到电影推荐系统中。
把娱乐与视觉艺术相结合，电影是一个很好的例子。电影海报可以直接、快速地把电影信息传达给观众。Design Mantic表示：“不论上映前后，电影海报都是创造噱头的主要因素。多半的人（目标观众）都根据海报来决定买不买票，看不看电影。”我们甚至可以仅仅根据海报字体，来推测这个电影的情绪。
这听起来有点像魔术——但看一眼海报就预测出电影的类型，的确是可能的。就拿我来说，瞟一眼海报就知道我想不想看这个电影了。举个例子，我不是卡通迷，一看到有卡通主题海报，就知道不是我的菜。这个决策的过程很直接，并不需要阅读电影评论（不确定谁真的有时间读那些评论）。因此，除了标准的电影推荐算法，我还用了深度学习来处理海报，并将相似的电影推荐给用户。最终目标是模仿人类视觉，并仅仅通过观察海报，就能用深度学习创建一个直观的电影推荐系统。该项目是受到Ethan Rosenthal博客启发。我对他博客里的代码进行了修改，以适应这个项目的算法。
我们用的是从 MovieLens 下载的电影数据集。他包含9066个电影和671名用户，分成了100000个打分和1300个标签。这个数据集最后更新于10/2016.
协同过滤
粗略地说，有三种类型的推荐系统（不包括简单的评级方法）
基于内容的推荐
协同过滤
混合模型
“基于内容的推荐”是一个回归问题，我们把电影内容作为特征，对用户对电影的评分做预测。
而在“协同过滤”推荐系统中，一般无法提前获得内容特征。是通过用户之间的相似度（用户们给了用一个电影相同的评级）和电影之间的相似度（有相似用户评级的电影），来学习潜在特征，同时预测用户对电影的评分。此外，学习了电影的特征之后，我们便可以衡量电影之间的相似度，并根据用户历史观影信息，向他/她推荐最相似的电影。
“基于内容的推荐”和“协同过滤”是10多年前最先进的技术。很显然，现在有很多模型和算法可以提高预测效果。比如，针对事先缺乏用户电影评分信息的情况，可以使用隐式矩阵分解，用偏好和置信度取代用户电影打分——比如用户对电影推荐有多少次点击，以此进行协同过滤。另外，我们还可以将“内容推荐”与“协同过滤”的方法结合起来，将内容作为侧面信息来提高预测精度。这种混合方法，可以用“学习进行排序”（"Learning to Rank" ）算法来实现。
该项目中，我会聚焦于“协同过滤”方法。首先，我将讨论如何不使用回归，而是电影（用户）相似度来预测评分，并基于相似度做电影推荐。然后，我将讨论如何使用回归同时学习潜在特征、做电影推荐。最后会谈谈如何在推荐系统中使用深度学习。
电影相似性
对于基于协作过滤的推荐系统，首先要建立评分矩阵。其中，每一行表示一个用户，每一列对应其对某一电影的打分。建立的评分矩阵如下：
df = pd.read_csv('ratings.csv', sep=',')
df_id = pd.read_csv('links.csv', sep=',')
df = pd.merge(df, df_id, on=['movieId'])
rating_matrix = np.zeros((df.userId.unique.shape[0], max(df.movieId)))
for row in df.itertuples:
rating_matrix[row[1]-1, row[2]-1] = row[3]
rating_matrix = rating_matrix[:,:9000]
这里“ratings.csv”包含用户id，电影id, 评级，和时间信息；"link.csv"包括电影id, IMDB id,和TMDB id。每一个电影利用 API 从 Movie Databasewebsite 获得海报，都需要 IMDB id——因此，我们将两个表格结合到一起。我们检验了评分矩阵的稀疏性，如下：
sparsity = float(len(ratings.nonzero[0]))
sparsity /= (ratings.shape[0] * ratings.shape[1])
sparsity *= 100
当非零项（entry）只有1.40%的时候评级矩阵是稀疏的。现在，为了训练和测试，我们将评分矩阵分解成两个较小的矩阵。我们从评分矩阵中删除了10个评分，把它们放入测试集。
train_matrix = rating_matrix.copy
test_matrix = np.zeros(ratings_matrix.shape)
for i in xrange(rating_matrix.shape[0]):
rating_idx = np.random.choice(
rating_matrix[i, :].nonzero[0],
size=10,
replace=True)
train_matrix[i, rating_idx] = 0.0
test_matrix[i, rating_idx] = rating_matrix[i, rating_idx]
根据以下公式计算用户/电影中的（余弦Cosine) 相似性
这里s(u,v)是用户u和v之间的余弦相似度。
similarity_user = train_matrix.dot(train_matrix.T) + 1e-9
norms = np.array([np.sqrt(np.diagonal(similarity_user))])
similarity_user = ( similarity_user / (norms * norms.T) )
similarity_movie = train_matrix.T.dot(train_matrix) + 1e-9
norms = np.array([np.sqrt(np.diagonal(similarity_movie))])
similarity_movie = ( similarity_movie / (norms * norms.T) )
利用用户之间的相似性，我们能预测每个用户对电影的评级，并计算出相应的MSE。该预测基于相似用户的评分。特别地，可以根据以下公式进行打分预测：
用户u对电影i的预测，是用户v对电影的评分的（标准化的）加权和。权重为用户u和v的相似度。
from sklearn.metrics import mean_squared_error
prediction = similarity_user.dot(train_matrix) / np.array([np.abs(similarity_user).sum(axis=1)]).T
prediction = prediction[test_matrix.nonzero()].flatten
test_vector = test_matrix[test_matrix.nonzero()].flatten
mse = mean_squared_error(prediction, test_vector)
print 'MSE = ' + str(mse)
预测的MSE为9.8252。这个数字意味着什么？这个推荐系统是好是坏？仅仅看着MSE结果来评估预测效果不是很符合直觉。因此，我们直接检查电影推荐来评估。我们将搜索一个感兴趣的电影，并让电脑代理来推荐几部电影。首先要得到相应的电影海报，这样就能看到都有什么电影被推荐。我们使用IMDB id,使用它的API从Movie Database 网站获取海报。
import requests
import json
from IPython.display import Image
from IPython.display import display
from IPython.display import HTML
idx_to_movie = {}
for row in df_id.itertuples:
idx_to_movie[row[1]-1] = row[2]
idx_to_movie
k = 6
idx = 0
movies = [ idx_to_movie[x] for x in np.argsort(similarity_movie[idx,:])[:-k-1:-1] ]
movies = filter(lambda imdb: len(str(imdb)) == 6, movies)
n_display = 5
URL = [0]*n_display
IMDB = [0]*n_display
i = 0
for movie in movies:
(URL[i], IMDB[i]) = get_poster(movie, base_url)
i += 1
images = ''
for i in range(n_display):
images += "
float: left; border: 1px solid black;' src='%s' />" \
% URL[i]
display(HTML(images))
好玩的来了！让我们来搜索一个电影并看看四个最相似的推荐。让我们试着搜索《盗火线》，在左手边第一个，后面是四部推荐的电影。
《盗火线》是1995年上映的一部美国犯罪电影，由罗伯特·德·尼罗、阿尔·帕西诺主演。搜索结果看起来不错。但《离开拉斯维加斯》可能不是一个好的建议，我猜原因是因为电影《勇闯夺命岛》里有尼古拉斯·凯奇，《The Rock》，以及对喜欢 《盗火线》的观众而言，它是一个不错的推荐。这可能是相似性矩阵和协同过滤的缺点之一。让我们试试更多的例子。
这个看起还好。《玩具总动员2》绝对是应该推荐给喜欢《玩具总动员》的观众。但是《阿甘正传》在我看来不合适。显然，因为汤姆·汉克斯的声音出现在《玩具总动员》里，所以《阿甘正传》也被推荐了。值得注意的是，我们可以只看一眼海报就分辨出《玩具总动员》与 《阿甘正传》的区别，比如电影类型、情绪等。假设每一个小孩都喜欢《玩具总动员》，他们可能会忽略《阿甘正传》。
交替随机梯度下降
在前面的讨论中，我们简单地计算了用户和电影的余弦相似度，并以此来预测用户对电影的评分，还根据某电影推荐其它电影。现在，我们可以把问题做为一个回归问题；对所有的电影加入潜在特征y，对所有用户加入权重向量x。目标是将评分预测的（在 2-norm 的正则化条件下）MSE最小化。
雷锋网提醒：权重向量和特征向量都是决策变量。显然，这不是一个凸函数问题，现在也不需要过分担心这个非凸函数的收敛性。有很多方法能解决非凸函数的优化问题。方法之一就是以交替方式解决权重向量（对用户）和特征向量（对电影）。处理权重向量时，假设特征向量是常向量；处理特征向量时，假设权重向量是常向量。解决这个回归问题的另一种方法，是将权重向量与特征向量的更新结合起来，在同一个迭代中更新它们。另外，还可以借助随机梯度下降来加速计算。这里，我用随机梯度下降来解决这个回归问题，我们的MSE预测如下：
这个MSE比用相似性矩阵得到的，要小得多。当然，我们也可以使用网格搜索和交叉验证对模型、算法调参。再看看电影搜索的推荐：
看起来并不是很好。我觉得这四部电影不应该通过搜索《盗火线》推荐给我，他们看起来与《盗火线》完全不相关，这四个电影是浪漫、戏剧类。如果我找的是一部有大明星的美国犯罪电影，我凭什么会想要看戏剧电影? 这让我很困惑——一个好的MSE的结果可能会给我们一个风马牛不相及的推荐。
因此，我们讨论一下基于协同过滤的推荐系统的弱点。
协同过滤方法通过使用数据，来发现类似的用户和电影，这将导致热门电影比小众电影更容易被推荐。
由于新上映的电影没有太多的使用数据，指望协同过滤向用户推荐任何新电影很不现实。
接下来，我们将考虑采用另一种方法来处理协同过滤问题——用深度学习推荐电影。
深度学习
我们将在Keras中用VGG16来训练神经网络。我们的数据集中没有目标，只是将倒数第四层作为一个特征向量。我们用这个特征向量，来描述数据集中的每一个电影。雷锋网提醒，在训练神经网络之前，还需要做一些预处理，训练过程如下。
df_id = pd.read_csv('links.csv', sep=',')
idx_to_movie = {}
for row in df_id.itertuples:
idx_to_movie[row[1]-1] = row[2]
total_movies = 9000
movies = [0]*total_movies
for i in range(len(movies)):
if i in idx_to_movie.keys and len(str(idx_to_movie[i])) == 6:
movies[i] = (idx_to_movie[i])
movies = filter(lambda imdb: imdb != 0, movies)
total_movies = len(movies)
URL = [0]*total_movies
IMDB = [0]*total_movies
URL_IMDB = {"url":,"imdb":}
i = 0
for movie in movies:
(URL[i], IMDB[i]) = get_poster(movie, base_url)
if URL[i] != base_url+"":
URL_IMDB["url"].append(URL[i])
URL_IMDB["imdb"].append(IMDB[i])
i += 1
# URL = filter(lambda url: url != base_url+"", URL)
df = pd.DataFrame(data=URL_IMDB)
total_movies = len(df)
import urllib
poster_path = "/Users/wannjiun/Desktop/nycdsa/project_5_recommender/posters/"
for i in range(total_movies):
urllib.urlretrieve(df.url[i], poster_path + str(i) + ".jpg")
from keras.applications import VGG16
from keras.applications.vgg16 import preprocess_input
from keras.preprocessing import image as kimage
image = [0]*total_movies
x = [0]*total_movies
for i in range(total_movies):
image[i] = kimage.load_img(poster_path + str(i) + ".jpg", target_size=(224, 224))
x[i] = kimage.img_to_array(image[i])
x[i] = np.expand_dims(x[i], axis=0)
x[i] = preprocess_input(x[i])
model = VGG16(include_top=False, weights='imagenet')
prediction = [0]*total_movies
matrix_res = np.zeros([total_movies,25088])
for i in range(total_movies):
prediction[i] = model.predict(x[i]).ravel
matrix_res[i,:] = prediction[i]
similarity_deep = matrix_res.dot(matrix_res.T)
norms = np.array([np.sqrt(np.diagonal(similarity_deep))])
similarity_deep = similarity_deep / norms / norms.T
在代码中，我们首先使用API和IMDB id，从TMDB网站获取电影海报。然后向VGG16提供海报来训练神经网络。最后，用VGG16学习的特征来计算余弦相似性。获得电影相似性之后，我们可以推荐相似度最高的电影。VGG16总共有25088个学来的特征，我们使用这些特征来描述数据集中的每个电影。
来看看使用深度学习的电影推荐系统。
《导火线》不再和爱情戏剧一起出现了！这些电影海报有一些相同的特点：深蓝色的、上面还有人物等等。让我们再来试试《玩具总动员》。
《阿甘正传》不会再被推荐了！结果看起来不错，朕心甚慰，再来试试别的！
注意，这些海报里都有一或两个人，并有冷色系的主题风格。
这些海报想让观众知道相应电影的氛围欢乐、紧张，并有很多动作镜头，所以海报的颜色也很强烈。
不同于上一组，这些海报想告诉观众：这些电影讲述的是一个单身汉。
我们找到的与《功夫熊猫》类似的电影。
这一组很有趣。一群相似的怪兽以及汤姆·克鲁斯！
所有这些海报里都有姿势类似的女士。等等，那个是奥尼尔！？
成功找到了蜘蛛侠！
这些海报的排版设计很接近。
结论
在推荐系统中有几种使用深度学习的方法：
无监督学习
从协同过滤中预测潜在特征
将深度学习生成的特征作为辅助信息
电影海报具有创造噱头和兴趣的视觉元素。这个项目中，我们使用了无监督深度学习，通过海报来学习电影的相似性。显然，这只是在推荐系统中使用深度学习的第一步，我们还可以尝试很多东西。例如，我们可以用深度学习来预测协同过滤生成的潜在特征。Spotify的音乐推荐也使用了类似的方法，区别于图像处理，他们通过处理歌曲的声音，来用深度学习来预测协同过滤中的潜在特征。还有一个可能的方向。是把深度学习学到的特征作为辅助信息，来提高预测的准确性。
via nycdatascience，雷锋网编译
“TensorFlow & 神经网络算法高级应用班”开课啦！
从初级到高级，理论+实战，一站式深度了解 TensorFlow！
本课程面向深度学习开发者，讲授如何利用 TensorFlow 解决图像识别、文本分析等具体问题。课程跨度为 10 周，将从 TensorFlow 的原理与基础实战技巧开始，一步步教授学员如何在 TensorFlow 上搭建 CNN、自编码、RNN、GAN 等模型，并最终掌握一整套基于 TensorFlow 做深度学习开发的专业技能。
两名授课老师佟达、白发川身为 ThoughtWorks 的资深技术专家，具有丰富的大数据平台搭建、深度学习系统开发项目经验。
时间：每周二、四晚 20：00-21：00
开课时长：总学时 20 小时，分 10 周完成，每周2次，每次 1 小时
线上授课地址：http://www.leiphone.com/special/custom/mooc04.html