最近有開(kāi)發(fā)者自制了一套圖書(shū)推薦系統(tǒng)，使用Word2Vec算法將書(shū)目表示為向量，可以同時(shí)獲得幾種書(shū)籍的推薦結(jié)果，并獲得書(shū)籍的TSNE圖及相似度最高的推薦。圖書(shū)數(shù)據(jù)來(lái)自GoodReads上的評(píng)價(jià)最高的前10000本書(shū)。開(kāi)發(fā)者表示，采用較小的batchsize和長(zhǎng)度可變的窗口可提升推薦相似度。

近日，有開(kāi)發(fā)人員自制了一套圖書(shū)推薦系統(tǒng)，使用Word2Vec算法將書(shū)目表示為向量，可以同時(shí)獲得幾種書(shū)籍的推薦，并獲得書(shū)籍的TSNE圖以及相似度最高的推薦信息。訓(xùn)練數(shù)據(jù)來(lái)自GoodReads上的評(píng)價(jià)最高的前10000本書(shū)。

作者將這一系統(tǒng)在Reddit論壇上進(jìn)行了算法介紹和推薦效果圖分享，引發(fā)廣泛討論。我們不妨來(lái)看看這個(gè)自制薦書(shū)系統(tǒng)是怎么做的。

以下是作者自己給出的系統(tǒng)展示和介紹，最后是技術(shù)實(shí)現(xiàn)環(huán)節(jié)的相關(guān)討論。

下面的圖片來(lái)自兩個(gè)2D TSNE生成的圖書(shū)嵌入圖。第一部分是數(shù)據(jù)中最常出現(xiàn)的3000本書(shū)的TNSE（已經(jīng)過(guò)10000本書(shū)的數(shù)據(jù)訓(xùn)練），第二部分是全部10000本書(shū)的TSNE。

我做了兩個(gè)TSNE圖，因?yàn)殡S著書(shū)籍書(shū)目的增加，推薦的準(zhǔn)確度趨于下降，所以我想查看最常出現(xiàn)的書(shū)籍的分布圖，然后再處理其余的書(shū)。

首先最常出現(xiàn)的3000本書(shū)的TSNE圖，先給出幾個(gè)局部放大圖，最后放上全圖。

下圖為作于最近30-40年間的奇幻/古典奇幻類書(shū)

中間的部分大部分是漫畫(huà)書(shū)，周?chē)且恍┛茖W(xué)類書(shū)籍

宇宙科幻類：

喜劇類（主要是電視?。?/p>

全圖

然后是全部10000本書(shū)的TSNE圖，同樣先給出幾個(gè)局部圖，最后是全圖。

歷史類書(shū)籍。圖左半部為美國(guó)史，右半部為世界通史

宇宙史和起源理論

兒童經(jīng)典書(shū)目

食品科學(xué)和新聞?lì)?/p>

Word2Vec薦書(shū)系統(tǒng)的技術(shù)實(shí)現(xiàn)

下面是一些技術(shù)上的實(shí)現(xiàn)要點(diǎn)，對(duì)機(jī)器學(xué)習(xí)感興趣的小伙伴們可以關(guān)注一下。

1、使用較小的batch size

訓(xùn)練中使用batch size較?。?2和64）對(duì)于確保所有書(shū)籍向量的穩(wěn)健性非常重要。在更高的batch size（128、256和512）下，大多數(shù)向量具有相當(dāng)?shù)南嗨菩?，但似乎總是有一些?shū)的向量不具備相似性。

以《哈利·波特》2-7部的推薦結(jié)果為例，如果直接查看數(shù)據(jù)，很容易知道與這些書(shū)相似度最高的書(shū)應(yīng)該是該系列中的其他《哈利·波特》書(shū)，但最初推薦模型給出的相似圖書(shū)結(jié)果并非如此。但是，在把batch size設(shè)置為64后，推薦結(jié)果的相似度很快得到明顯改善。

由于平均窗口大小為112，并在20到200之間變化（取決于用戶閱讀的書(shū)籍?dāng)?shù)量），因此像《哈利·波特》這樣的系列叢書(shū)中的一些書(shū)，很可能會(huì)與其他書(shū)籍匹配為相似了。

假設(shè)某系列叢書(shū)中共有7本書(shū)，并且用戶對(duì)所有7本書(shū)都進(jìn)行了評(píng)分，該用戶還評(píng)價(jià)了112本其他書(shū)，那么，其中一本《哈利·波特》書(shū)與另一本《哈利·波特》在該用戶的標(biāo)簽下實(shí)現(xiàn)配對(duì)的概率是6/112。

在這種情況下，由于word2vec試圖一次性優(yōu)化多個(gè)嵌入，因此對(duì)于窗口大小很小且恒定的情況，更高的batch size會(huì)比word2vec算法的應(yīng)用對(duì)結(jié)果優(yōu)化造成更加明顯的阻礙。

2、Softmax嵌入向量算術(shù)

到目前為止，上面的所有矢量算術(shù)示例都是我在書(shū)籍輸入嵌入上執(zhí)行加法和/或減法，然后針對(duì)softmax嵌入對(duì)結(jié)果矢量執(zhí)行相似性結(jié)果的情況。比結(jié)果向量與輸入嵌入進(jìn)行比較要穩(wěn)健得多。

3、可變長(zhǎng)度窗口（VLW）

最初的Word2Vec Cbow算法使用固定的窗口大小的單詞用作特定目標(biāo)的輸入。比如，如果窗口大小是目標(biāo)詞左側(cè)和右側(cè)的2個(gè)單詞，那么在這句“The cat in the hat”中，如果目標(biāo)詞（標(biāo)簽）是“in”，那么單詞'The '，'cat'，'the'和'hat'將各自向量進(jìn)行平均，并將得到的結(jié)果向量作為輸入。

而在這個(gè)薦書(shū)系統(tǒng)中，窗口大小不可能是固定的。對(duì)于特定數(shù)據(jù)點(diǎn)（輸入），由用戶輸入的所有對(duì)全部書(shū)籍的評(píng)價(jià)都可能作為潛在的輸入，而且每個(gè)用戶瀏覽過(guò)的書(shū)籍?dāng)?shù)量彼此存在很大差異，因此窗口大小不可能恒定。

盡管窗口大小不是恒定的，但是平均輸入向量的數(shù)量是保持不變的。所有提供的數(shù)據(jù)都使用兩個(gè)平均向量作為輸入，這樣向量的算術(shù)屬性的穩(wěn)健性是最高的。改變輸入平均向量的數(shù)量，在相似性推薦屬性方面并沒(méi)有表現(xiàn)出明顯優(yōu)勢(shì)。