介紹
在這個實戰項目中，我們將使用 PyTorch 構建一個簡單的電影推薦系統。推薦系統是數據科學和機器學習領域中的重要應用之一，它通過分析用戶的歷史行為和偏好，為用戶推薦可能感興趣的物品。我們將使用協同過濾算法，其中包含基于用戶的協同過濾和基于物品的協同過濾。
步驟 1：準備數據集
我們將使用 MovieLens 數據集，該數據集包含用戶對電影的評分信息。
import pandas as pd# 下載 MovieLens 數據集url = "https://raw.githubusercontent.com/nytimes/covid-19-data/master/us-counties.csv"df = pd.read_csv(url)
步驟 2：導入必要的庫
import torchimport torch.nn as nnimport torch.optim as optimimport torch.nn.functional as Ffrom torch.utils.data import Dataset, DataLoader
步驟 3：數據預處理
from sklearn.model_selection import train_test_split# 劃分訓練集和測試集train_data, test_data = train_test_split(df, test_size=0.2, random_state=42)
步驟 4：創建數據加載器
class RecommendationDataset(Dataset): def __init__(self, data): self.data = data def __len__(self): return len(self.data) def __getitem__(self, idx): user = torch.tensor(self.data.iloc[idx]['user'], dtype=torch.long) item = torch.tensor(self.data.iloc[idx]['item'], dtype=torch.long) rating = torch.tensor(self.data.iloc[idx]['rating'], dtype=torch.float) return {'user': user, 'item': item, 'rating': rating}
步驟 5：創建推薦系統模型
class RecommenderModel(nn.Module): def __init__(self, num_users, num_items, embedding_dim): super(RecommenderModel, self).__init__() self.user_embedding = nn.Embedding(num_users, embedding_dim) self.item_embedding = nn.Embedding(num_items, embedding_dim) def forward(self, user, item): user_embedded = self.user_embedding(user) item_embedded = self.item_embedding(item) prediction = F.cosine_similarity(user_embedded, item_embedded, dim=1) return prediction
步驟 6：訓練推薦系統模型
# 初始化模型和優化器model = RecommenderModel(num_users, num_items, embedding_dim)optimizer = optim.Adam(model.parameters(), lr=0.001)criterion = nn.MSELoss()# 訓練模型num_epochs = 10for epoch in range(num_epochs): for batch in train_dataloader: user, item, rating = batch['user'], batch['item'], batch['rating'] # 前向傳播 prediction = model(user, item) loss = criterion(prediction, rating) # 反向傳播和優化 optimizer.zero_grad() loss.backward() optimizer.step() print(f'Epoch [{epoch 1}/{num_epochs}], Loss: {loss.item():.4f}')
步驟 7：評估模型性能
# 在測試集上評估模型性能model.eval()with torch.no_grad(): for batch in test_dataloader: user, item, rating = batch['user'], batch['item'], batch['rating'] # 預測評分 prediction = model(user, item) # 計算評估指標 # ...
通過以上步驟，我們完成了一個簡單的電影推薦系統的開發。希望這個教程對你深入理解 PyTorch 和推薦系統有所幫助。
版權聲明：本文內容由互聯網用戶自發貢獻，該文觀點僅代表作者本人。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。如發現本站有涉嫌抄襲侵權/違法違規的內容， 請發送郵件至 舉報，一經查實，本站將立刻刪除。