Produktų Rekomendacijų sistema

Norint sukurti „Content-based Filtering“ rekomendacijų sistemą naudojant mašininį mokymąsi, galima panaudoti „pandas“ ir mašininio mokymosi modelį, pavyzdžiui, KNN (k arčiausių kaimynų algoritmą). Ši sistema rekomenduos panašius produktus remdamasi jų savybėmis. Parodysiu pavyzdį, kaip tai įgyvendinti.

1. Duomenų ruošimas Įsivaizduokime, kad turime informaciją apie įvairius produktus, įskaitant jų savybes (pvz., spalvą, kainą ir kt.), ir naudotojų įvertinimus.

import pandas as pd

# Sukuriame produktų duomenis su jų savybėmis
data = {'Product_ID': ['TVA', 'CAMB', 'CAMC', 'SALDD', 'MIKRE', 'CAMD'],
        'Color': ['Black', 'Blue', 'Green', 'Red', 'Blue', 'White'],
        'Price': [19.99, 29.99, 15.99, 9.99, 12.99, 10.90],
        'Category': ['Televizorius', 'Kamera', 'Kamera', 'Saldytuvas', 'Mikrobange', 'Kamera']}

df = pd.DataFrame(data)

print("Product Data:")
print(df)


Product Data:
  Product_ID  Color  Price      Category
0        TVA  Black  19.99  Televizorius
1       CAMB   Blue  29.99        Kamera
2       CAMC  Green  15.99        Kamera
3      SALDD    Red   9.99    Saldytuvas
4      MIKRE   Blue  12.99    Mikrobange
5       CAMD  White  10.90        Kamera


2. Tekstinių savybių pavertimas skaitiniais duomenimis Norėdami naudoti mašininį mokymąsi, turime paversti tekstines savybes į skaitinius duomenis. Naudosime „One-Hot Encoding“ techniką.

# Tekstines savybes paverčiame į skaitines su One-Hot Encoding
df_encoded = pd.get_dummies(df, columns=['Color', 'Category'])

print("Koduoti Produktu Duomenys:")
print(df_encoded)


Encoded Product Data:
  Product_ID  Price  Color_Black  Color_Blue  Color_Green  Color_Red  \
0        TVA  19.99         True       False        False      False   
1       CAMB  29.99        False        True        False      False   
2       CAMC  15.99        False       False         True      False   
3      SALDD   9.99        False       False        False       True   
4      MIKRE  12.99        False        True        False      False   
5       CAMD  10.90        False       False        False      False   

   Color_White  Category_Kamera  Category_Mikrobange  Category_Saldytuvas  \
0        False            False                False                False   
1        False             True                False                False   
2        False             True                False                False   
3        False            False                False                 True   
4        False            False                 True                False   
5         True             True                False                False   

   Category_Televizorius  
0                   True  
1                  False  
2                  False  
3                  False  
4                  False  
5                  False  


3. Produkto panašumų skaičiavimas Naudosime k arčiausių kaimynų algoritmą (KNN), kuris suras produktus, panašius į norimą produktą, remiantis jų savybėmis.

KNN su Sklearn

#%pip install sklearn


from sklearn.neighbors import NearestNeighbors
#import numpy as np

# Sukuriame savybių masyvą be Product_ID stulpelio
X = df_encoded.drop('Product_ID', axis=1).values

# Naudojame KNN algoritmą su 3 artimiausiais kaimynais
knn = NearestNeighbors(n_neighbors=3, algorithm='auto')
knn.fit(X)

# Funkcija, kuri rekomenduos panašius produktus
def recommend_similar_products(product_id, df, knn):
    # Randame produkto indeksą
    product_index = df[df['Product_ID'] == product_id].index[0]

    # Randame artimiausius kaimynus
    distances, indices = knn.kneighbors([X[product_index]])

    # Grąžiname rekomenduojamus produktus
    similar_products = df.iloc[indices[0]]['Product_ID'].values
    return similar_products

# Rekomenduojame produktus, panašius į produktą 'CAMB'
recommended = recommend_similar_products('CAMB', df_encoded, knn)
print("\nRekomenduojami Produktai Panašūs į 'CAMB':")
print(recommended)


Rekomenduojami Produktai Panašūs į 'CAMB':
['CAMB' 'TVA' 'CAMC']


4. Paaiškinimas: KNN algoritmas: Naudojamas ieškoti artimiausius produktus pagal savybes. One-Hot Encoding: Paverčia kategorines savybes į skaitines vertes, kurias KNN gali naudoti. recommend_similar_products: Ši funkcija naudoja KNN algoritmą rasti artimiausius produktus.
5. Rezultatai Sistema suras produktus, panašius į produktą „CAMB“, remiantis jo spalva, kaina ir kategorija. Kuo daugiau turime savybių, tuo tikslesnės bus rekomendacijos.

Reziumė: Naudojant „Content-based Filtering“ kartu su KNN modeliu galima sukurti rekomendacijų sistemą, kuri rekomenduoja panašius produktus, remdamasi jų savybėmis, o ne naudotojų elgesiu. Tai naudingas būdas kurti personalizuotas rekomendacijas, kai neturime daug naudotojų duomenų, bet turime daug informacijos apie produktus.