大数据矩阵分解推荐系统给出MemoryError

Question

我有三个数据库模型（来自 Django）可用作构建推荐系统的输入：

用户列表 - userId、username、email 等
电影列表 - movieId、movieTitle、Topics 等
保存列表 - 使用 userId、movieId 和 timestamp（当前的推荐系统将比在感觉没有评分，只是用户保存了某部电影，这个模型包含所有电影保存)

我应该仍然可以使用矩阵分解 (MF) 来构建推荐系统，即使某个项目的 rating 只是 [= 的形式20=] 和 0（已保存或未保存）。

为了使用在 scipy 或 surprise 中找到的所有 MF 算法，我必须创建一个 pandas DataFrame 并将其转换为 all userIds 将是行（索引），all movieIds 将是列。

执行此操作的代码片段是：

# usersSet and moviesSet contain only ids of users or movies

zeros = numpy.zeros(shape=(len(usersSet), len(moviesSet)), dtype=numpy.int8)

saves_df = pandas.DataFrame(zeros, index=list(usersSet), columns=list(moviesSet))

for save in savesFromDb.iterator(chunk_size=50000):
    userId = save['user__id']
    movieId = save['movie__id']

    saves_df.at[userId, movieId] = 1

目前遇到的问题：

使用 pandas 中的 DataFrame.loc 将值分配给多个列而不是 DataFrame.at 会产生 MemoryError。这就是我选择后一种方法的原因。
对 MF 使用 scipy 中的 svds 需要浮点数或双精度值作为 DataFrame 的值，一旦我这样做 DataFrame.asfptype() 我就会得到一个 MemoryError

问题：

鉴于有约 100k 用户、约 120k 电影和约 450k 保存，为了使用推荐算法但仍然不会出现 MemoryError，对此建模的最佳方法是什么？
我也尝试过使用 DataFrame.pivot()，但是有没有办法从 3 个不同的 DataFrame 构建它？即 indexes 将来自 list(usersSet)，columns 来自 list(moviesList) 和 values 通过遍历 savesFromDb 并查看哪里有 userId -> movieId关系并在数据透视表中添加 1。
除了 surprise 的 rating_scale 参数，您可以在其中定义评级（在我的例子中是 (0, 1)），在算法方法或数据模型结构利用 rating 在我的例子中只有 1 或 0（保存或未保存）？

Answer 1

如果可以选择将稀疏矩阵与接受它们的算法一起使用，那么我强烈建议使用稀疏矩阵来消除内存问题。 scipy.linalg.svds 适用于 scipy 个稀疏矩阵。

这是为您的案例创建稀疏矩阵的方法：

假设我们有 3 个用户（'a'、'b'、'c'）和 3 部电影（'aa'、'bb'、'cc').保存记录如下：

a 节省 aa
b 节省 bb
c 保存 cc
a 节省 bb

我们需要创建一个csr_matrixA_sparse，这样用户代表行，电影列，如果用户i已经保存了电影j，那么A[i, j] = 1

import numpy as np
from scipy.sparse import csr_matrix

# index users and movies by integers
user2int = {u:i for i, u in enumerate(np.unique(users))}
movies2int = {m:i for i, m in enumerate(np.unique(movies))}

# get saved user list and corresponding movie lists
saved_users = ["a", "b", "c", "a"]
saved_movies = ["aa", "bb", "cc", "bb"]

# get row and column indices where we need populate 1's
usersidx = [user2int[u] for u in saved_users]
moviesidx = [movies2int[m] for m in saved_movies]

# Here, we only use binary flag for data. 1 for all saved instances.
# Instead, one could also use something like count of saves etc.
data = np.ones(len(saved_users), ) 

# create csr matrix
A_sparse = csr_matrix((data, (usersidx, moviesidx)))

print("Sparse array", A_sparse)

#<3x3 sparse matrix of type '<class 'numpy.float64'>'
#   with 4 stored elements in Compressed Sparse Row format>

print(A_sparse.data.nbytes)
# 32

print("Dense array", A_sparse.A)

#array([[1., 1., 0.],
#       [0., 1., 0.],
#       [0., 0., 1.]])

print(A_sparse.A.nbytes)
# 72

您可以注意到，由于我们一半的数据点是零（大约），稀疏矩阵大小几乎是 numpy ndarray 的一半。因此，内存压缩将按矩阵中零的百分比比例增加。

大数据矩阵分解推荐系统给出MemoryError

Recommendation system with matrix factorization for huge data gives MemoryError

python

recommendation-engine

scipy

pandas

matrix-factorization