作者：Dimitris Apostolopoulos

編譯：ronghuaiyang

導讀

給大家介紹一下推薦系統中的產品聚類方法。

之前有一篇文章，推薦系統之路，介紹了推薦系統的一些基礎知識，並用矩陣分解的方法實現了一個基礎的推薦系統，今天接下來後面的內容。

在上一篇文章中，我把我的船駛向了"推薦系統"的島嶼，但是由於矩陣系統的效能問題，我的船受到了嚴重的傷害。

因此，現在，在接下來的文章中，我將一個接一個地找出每一個問題，並嘗試修復它們(劇透警告：最後一切都會得到修復)。

讓我們從中斷的地方快速瀏覽一下。

“疼痛定位”：找出問題所在

正如本系列文章的第一部分中所描述的，我們面臨的問題之一是：我們上一篇文章中的互動矩陣太大，無法 度量。這是由於我們收集了大量的資料，其中包含重複的資訊，因為相同的產品或類似的產品可以在不同的商店中找到。

換句話說，如果你銷售耳機，而你的三個競爭對手也在銷售同一品牌的耳機，那麼你的矩陣上就會有重複的產品，這就會毫無理由地減慢你的速度。

這就是為什麼本文的目的是 實現相同或非常相似的產品的跨店標識。

“仔細看看”：合併資訊

我們將使用資料集提供的產品資訊(即產品程式碼、產品標題、產品 URL 和產品價格)。

現在，每家商店都使用自己的內部系統來跟蹤產品。因此，每個商店的產品程式碼都是獨一無二的。

更糟糕的是，我們也不能依賴產品價格，因為不同的商店價格不同。

這給我們留下了兩個選項：產品標題和產品 URL。

如果一個人可以做一個從網站頁面上拉取資料的網頁採集器話，產品的 URL 可以是一個很好的資訊來源，但是，由於 HTML 是“無結構”的，我們不能有這樣一個網頁採集器可以對每個網站都適用。

這樣就只剩下一個選項，即整個聚類中只使用產品標題。

“做作業”：文字預處理

什麼是預處理？

文字預處理是指文字在輸入到演算法之前必須進行的所有調整。

遵循這些文字聚類預處理的步驟

我們對資料進行預處理的步驟如下：

• 首先，我們識別品牌並將它們從標題中移除，這樣我們只剩下產品名稱。
• 然後，我們刪除描述顏色的詞，以減少資料的噪音，因為，在這一點上，我們想要根據顏色來分類產品。例如，我們想建立一個類別“黑色匡威全明星鞋 10”和另一個類別“白色匡威全明星鞋 10.5”。
• 之後，我們從標題中刪除了數字和度量單位(如果有的話)，因為我們想建立具有非常相似產品的組，比如“Cola 330ml”和“Cola 500ml”。
• 最後，我們對單詞進行詞幹處理，也就是說，去掉單詞的字尾以找到一個共同的詞根，同時去掉所有的停止詞。
• 為了將標題資料輸入到演算法中，我們將資料轉換為向量。為了實現這一點，我們使用了兩個不同的向量轉換器： CountVectorizer，它建立了只有{0,1}的二進位制向量，以及 tf-idf 向量轉換器，它根據單詞在所有向量中的頻率為所有單詞分配權重。在本例中，我們使用兩個向量轉換器來找到對我們更有效的那個。

繼續：文字聚類

什麼是文字聚類？

文字聚類是在未標記的資料中生成組的過程。在大多數聚類技術中，組的數量是由使用者預定義的，但是在這種情況下，聚類組的數量必須動態變化。

我們可以有包含單個產品的聚類，也可以有包含 10 個或更多產品的聚類，這個數字取決於我們能找到多少類似的產品。

我們的需求減少了我們的選擇。DBSCAN 是一種基於密度的演算法，它依賴於向量之間的距離，從而建立組。

DBSCAN 生成的組：

為什麼 DBSCAN 不能正確地對資料聚類？

產品的標題是一個很短的句子(1-5 個單詞)。然而，我們建立的向量非常大，因為來自資料集中的所有唯一的單片語成了詞彙表。詞彙表的長度就是向量的長度，因此我們失去了所有的資訊。

降維技術，諸如 PCA 和 SVD 之類的不能幫助解決這個問題，因為轉換矩陣的每一列都代表一個單詞。

因此，當你刪除一些列時，你將刪除許多產品。

由於現有的解決方案不能正常工作，我們決定構建一個自定義的聚類流程，旨在找到問題的解決方案。

訓練向量生成器

當你 訓練一個向量生成器時，它將學習到給定句子包含的單詞。

例如，當被給予““Nike Capri Shoes”時，向量生成器只學習這三個詞。這意味著當你對其他產品進行變換時，除了那些包含一個或所有單詞的向量，其他變換出來的向量都是 0。

為了找出兩個向量有多相似，我們測量它們基於 歐氏距離的相似度。要把兩個單詞歸到同一組裡，這兩個單詞之間的相似度必須高於我們的閾值。我們生成的組稱為 categories。

把我們的資料想象成一大桶產品。categories 是有用的，因為它們建立了包含我們可以處理的相關資料的小桶。

現在，我們透過使用更高的閾值再次執行相同的程式來為 每個 bucket 建立子類別，並建立子類別。子類別是我們將使用的最終的組。

換檔：提高速度的小竅門

整個過程有點耗時。為了節省時間，我們會進行所有的文字預處理步驟，但是除了向量化。

之後，我們根據標題中包含的單詞數對資料進行排序，因此只有一個單詞的標題將位於列表的頂部，而單詞最多的標題位於列表的底部。

這樣，一個詞的標題將構成我們的大多數類別，減少我們處理的資料量。

英文原文：