【Python】協調フィルタリング(k近傍法)でアニメのレコメンドシステムを実装する(アイテムベース)

今回はアイテムベースのレコメンドロジックをPythonで実装する方法をメモしておきます。

前回記事：【Python】協調フィルタリングでアニメのレコメンドシステムを実装する(ユーザーベース)

データの前処理

今回はアイテムベースのレコメンドシステムとしたいので、最終的な行列としては以下のようなイメージになります。

ユーザーID① ユーザーID② ユーザーID③…

商品①

商品②

商品③

…

前処理は前回のユーザーベースでのレコメンドの際に使用したアニメの視聴履歴を用います。

データセット→ Anime Recommendations Database | Kaggle

今回アイテムベースなので前回作成したマートを.Tで縦横を入れ替える必要があります。

<前処理>

import numpy as np
import pandas as pd
df_rating = pd.read_csv(r"C:\Users\~~\archive\rating.csv")
df_label = pd.read_csv(r"C:\Users\~~\archive\anime.csv")

# 量が多いので500000件以上レビューがある人気アニメに絞る
df_label =df_label[df_label['members']>500000]

# anime_idをキーにして内部結合する
df = pd.merge(df_rating, df_label, on='anime_id', how='inner')[['user_id','anime_id','name','rating_x']]

# ユーザーID×アニメタイトル
users_movies = df.pivot_table(index="user_id",columns="name",values="rating_x")

#欠損値を0埋めする
users_movies = users_movies.fillna(0)

#正規化
users_movies_norm = users_movies.apply(lambda x:(x-np.mean(x))/(np.max(x)-np.min(x)),axis=1)
users_movies_norm = users_movies_norm.fillna(0)

# アイテムベースのレコメンドにしたいので縦横を入れ替える
users_movies_norm = users_movies_norm.T

<実行結果>

Pythonでk近傍法のレコメンドロジックを実装する

では、実際にこのk近傍法のアルゴリズムと事前に処理したデータセットを使ってモデルを構築します。Pythonで実装するにはScikit-learnという機械学習用ライブラリの関数で実装可能です。

# 使用するライブラリのインポート
from scipy.sparse import csr_matrix
from sklearn.neighbors import NearestNeighbors

nodes = len(users_movies_norm)
# knnのインスタンスを呼び出し
knn = NearestNeighbors(n_neighbors=nodes, algorithm= 'brute', metric= 'cosine')

# 前処理したデータセットでモデルを訓練
model_knn = knn.fit(users_movies_norm)

# 対象のアニメを選択
Anime = 'Bleach'

distance, indice = model_knn.kneighbors(users_movies_norm.iloc[users_movies_norm.index== Anime].values.reshape(1,-1),n_neighbors=nodes)
for i in range(0, len(distance.flatten())):
    if i == 0:
        print('Recommendations if buy like the category {0}:\n'.format(users_movies_norm[users_movies_norm.index== Anime].index[0]))
    else:
        print('{0}: {1} with distance: {2}'.format(i, users_movies_norm.index[indice.flatten()[i]],distance.flatten()[i]))

<実行結果>