人工智能-推荐系统-商品推荐-商品推荐系统

# 商品top50推荐系统 ## 问题建模 本项目的数据集给出了15万左右的用户以及12万左右的商品, 以及对应的经过脱敏处理的用户特征和经过预处理的商品特征，旨在为用户推荐50个其可能购买的商品。 ## 推荐系统架构方案 本项目采用传统的召回＋排序的方案。在召回模块采用deepwalk， node2vec，item_feature, itemCF四种方法进行多路召回，为每位用户召回1000个商品。在排序阶段采用wide&deep模型，对召回的1000个商品进行排序。将排序所得的分数依据商品点击量进行后处理，来增大对非热门商品的曝光度。最后根据处理后的分数为每位用户推荐50个商品。 **最终实现了在验证集上top50召回率0.807， 测试集上top50召回率0.712** ## 文件结构 数据来源于阿里天池平台开源数据，在百度网盘里面，可以自行下载，按照以下路径创建文件夹以及放置数据。 百度网盘链接：https://pan.baidu.com/s/1sspNWKYVxf-QFTrCjdqfoQ 提取码：853t │ feature_list.csv # List the features we used in ranking process │ project_structure.txt # The tree structure of this project ├─ build_graph_model.py # Build deepwalk model and node2vec model ├─ final_rank.py # Build wide&deep network ├─ final_solution.py # Main program ├─ recall_function.py # Functions used to recall items ├─ item_feat.pkl # Item feature after PCA ├─ top100_recall_feature.pkl # Recalled 100 items for each user by using item_feature ├─ top300_recall_deepwalk_result.pkl # Recalled 300 items for each user by using deepwalk ├─ top300_recall_node2vec_result.pkl # Recalled 300 items for each user by using node2vec ├─ topk_recall.pkl # Recalled 1000 items for each user by combining all ways ├─ train_eval_rank.pkl # Cross validation set after ranking ├─ wide_and_deep.h5 # Wide&Deep model using full training set ├─ wide_and_deep_no_cv.h5 # Wide&Deep model using training set except cross validation set ├─ data # Origin dataset │ ├─ underexpose_test │ └─ underexpose_train ├─ readme.md ├─ deepwalk_offline.bin # deepwalk model └─ node2vec_offline.bin # node2vec model ## Python库环境依赖 tensorflow==2.3.1 scikit-learn==0.23.2 joblib==0.17.0 networkx==2.1 gensim==3.8.3 pandas==0.25.1 numpy==1.18.5 tqdm==4.26.0 ## 声明 本项目所有代码仅供各位同学学习参考使用。