基于余弦相似度的item-item推荐

Question

作为我正在构建的推荐系统的一部分，我想实现基于余弦相似度的项目推荐。理想情况下，我想计算由 2048 个特征的 DenseVector 表示的 100 万个项目的余弦相似度，以便获得与给定项目最相似的前 n 个项目。

我的问题是我遇到的解决方案在我的数据集上表现不佳。

我试过了：

• Calculating the cosine similarity between all the rows of a dataframe in pyspark

• 使用来自 mllib.linalg.distributed 的 columnSimilarities()

• 使用 PCA 降低维度

这是使用 columnSimilarities() 的解决方案

import pyspark
from pyspark.sql import SparkSession
from pyspark.ml.feature import PCA
from pyspark.mllib.linalg.distributed import IndexedRow, IndexedRowMatrix
from pyspark.sql.functions import row_number

new_df = url_rdd.zip(vector_rdd.map(lambda x:Vectors.dense(x))).toDF(schema=['url','features'])

# PCA
pca = PCA(k=1024, inputCol="features", outputCol="pca_features")
pca_model = pca.fit(new_df)
pca_df = pca_model.transform(new_df)

# Indexing my dataframe
pca_df.createOrReplaceTempView('pca_df')
indexed_df = spark.sql('select row_number() over (order by url) - 1 as id, * from pca_df')

# Computing Cosine Similarity
mat = IndexedRowMatrix(indexed_df.select("id", "pca_features").rdd.map(lambda row: IndexedRow(row.id, row.pca_features.toArray()))).toBlockMatrix().transpose().toIndexedRowMatrix()
cos_mat = mat.columnSimilarities()

在 pyspark 上是否有更好的解决方案来计算余弦相似度并获得前 n 个最相似的项目？

Answer 1

考虑缓存new_df，因为您至少要检查两次（一次用于拟合模型，另一次用于转换数据）。

此外，不要忘记可以传递给columnSimilarities 方法的可选阈值。