乐趣区

三步在阿里云上面搭建一套个性化推荐系统

jiezi

背景信息

互联网时代个性化推荐已经渗透到人们生活的方方面面，例如常见的“猜你喜欢”、“相关商品”等。互联网能够对用户投其所好，向用户推荐他们最感兴趣的内容，实时精准地把握用户兴趣。目前很多成功的手机 APP 都引入了个性化推荐算法，例如，新闻类的有今日头条新闻客户端、网易新闻客户端、阿里 UC 新闻客户端等；电商类的有拼多多、淘宝、天猫等。分析型数据库 PostgreSQL 版推出的向量分析可以帮助您实现上述个性化推荐系统。

个性化推荐系统概述

以个性化新闻推荐系统为例，一篇新闻包含新闻标题、正文等内容，可以先通过 NLP（Neuro-Linguistic Programming，自然语言处理）算法，从新闻标题和新闻正文中提取关键词。然后，利用分析型数据库 PostgreSQL 版向量内置的文本转换为向量函数，将从新闻标题和新闻正文中提取出的关键词转换为新闻向量导入分析型数据库 PostgreSQL 版向量数据库中，用于用户新闻推荐，具体实现流程如图 1 所示。

图 1. 推荐算法整体框架

  1. 1. 构建分析型数据库 PostgreSQL 版向量库，得到用户特征向量 。通过分析用户历史浏览数据，构建相应的用户画像，建立用户偏好模型，得到用户特征向量。新闻推荐系统可以从用户的浏览日志中得到用户历史浏览新闻详情，再从每条历史浏览新闻中提取关键词，建立用户画像。例如，某用户浏览了多条 NBA（National Basketball Association，美国职业篮球联赛）季后赛新闻，这些新闻中包含了 NBA、篮球、球星、体育等关键词，通过这些关键词可以得出该用户是一个 NBA 球迷。通过分析型数据库 PostgreSQL 版向量将这些文本关键词转换为向量并导入到分析型数据库 PostgreSQL 版向量库中，得到用户特征向量。
  2. 2. 根据分析型数据库 PostgreSQL 版向量数据库和逻辑回归预测模型，将用户感兴趣的新闻推荐给用户 。通过分析型数据库 PostgreSQL 版向量数据库，可以从互联网检索出前 500 条用户没有浏览过的新闻，但是这 500 条新闻却是该用户最感兴趣的新闻。然后，从这 500 条新闻中提取每条新闻的创建时间和点击率，根据逻辑回归预测模型（该模型来自于用户以往的浏览的历史记录中），将用户感兴趣的新闻推荐给用户。

分析型数据库 PostgreSQL 版内置的文本转换为向量函数采用 BERT（Bidirectional Encoder Representations from Transformers）模型，同时支持中文和英文两种语言。该模型基于大量的语料进行训练，其中包含了语义信息，而且其查询精度比简单的 TF-IDF（term frequency–inverse document frequency）算法高。

个性化推荐系统中数据库表结构设计

图 2 是个性化新闻推荐系统中分析型数据库 PostgreSQL 版数据库表结构设计，系统包含了三张表（News, Person，Browses_History）, 分别存储新闻信息、用户基本信息、用户浏览记录。

图 2. 个性化推荐系统分析型数据库 PostgreSQL 版表结构

我们对着三张表进行分别介绍：

• News 表存储新闻信息，包含新闻 id（news_id）、新闻创建时间（create_time）、新闻名字（title）、新闻内容（content）、总的用户点击数（click_times）、两个小时内的用户点击次数（two_hour_click_times）。根据新闻的名称和内容得到新闻的关键词 keywords，然后将新闻的关键词转化成向量（news_vector）。向 news 表中插入数据时，系统自动根据关键词转换为向量，将向量和其他新闻信息一起插入 news 表。

CREATE TABLE news (
  news_id bigint,
  create_time timestamp,
  title varchar(100),
  content varchar(200),
  keywords varchar(50),  
  click_times bigint,
  two_hour_click_times bigint,
  news_vector real[],
  primary key (news_id)
) distributed by (news_id);

• Browses_History 表记录用户浏览的新闻的情况，包括新闻 id（news_id）、用户 id（person_id）、用户浏览新闻的时间（browse_time）。

CREATE TABLE browses_history (
  browse_id bigint,
  news_id bigint,
  person_id bigint,
  browse_time timestamp,
  primary key (browse_id)
) distributed by (browse_id);

• Person 表记录用户信息，包括用户的 id（person_id）、用户的年龄（age）、用户的星级（star）。

CREATE TABLE person(
  person_id bigint,
  age bigint,
  star float,
  primary key (person_id)
) distributed by (person_id);

三步实现一个个性化推荐系统：

1. 从新闻中抽取新闻特征向量

分析型数据库 PostgreSQL 版通过内置的文本转换为向量函数，抽取新闻特征向量，然后将新闻特征向量存入新闻表 news 中。例如，执行以下 SELECT 将返回文本“ADB For PG is very good!”对应的特征向量。

select feature_extractor('text', 'ADB For PG is very good!');

假设新闻如下图所示，通过以下两个步骤将新闻信息存入新闻表 news 表中。

（1）提取新闻关键词。由于分析型数据库 PostgreSQL 版暂时不支持关键词提取函数，您可以调用 jieba 结巴中文 NLP 系统）中的关键词抽取函数（jieba.analyse.extract_tags(title + content, 3)）提取关键词。

（2）执行 INSERT 将新闻信息（包含关键词和新闻特征向量）存入新闻表 news 表中。

insert into news(news_id, create_time, title, content, 
                 keywords, click_times,two_hour_click_times) 
values(1, now(),'韩国军方: 朝鲜在平安北道一带向东发射不明飞行物','据韩国联合参谋本部消息，当地时间今天下午 16 时 30 分左右，朝鲜在其平安北道一带向东发射不明飞行物。', '韩国 朝鲜 不明飞行物', 123, 3);

2. 提取用户特征向量

（1）提取用户浏览关键词。
根据用户的新闻浏览日志，我们很容易得到用户的浏览关键词。例如，执行以下 SELECT 得到用户 person_id 为 9527 的浏览关键词。

select keywords    
from Person p, Browses_History bh, News n 
where p.person_id = bh.person_id and bh.news_id = n.news_id and p.person_id = 9527;

（2）将用户浏览关键词转换为用户特征向量。
将用户浏览关键词全部提取出来之后，就可以得到用户总的浏览关键词。例如，用户 person_id 为 9527 浏览了关键词为“NBA 体育”、“总决赛”、“热火”、“火箭”的新闻。然后通过文本转换为向量函数，将用户 person_id 为 9527 浏览的关键词转换成向量。

select feature_extractor('text', 'NBA 体育 总决赛 热火 火箭'));

3. 根据用户特征向量获取新闻推荐结果

通过用户特征向量，到新闻表 news 中查询相关的新闻信息。例如，执行以下 SELECT 将返回和用户相关的前 500 条新闻，同时系统也会过滤掉用户已经阅读过的文章。获取新闻推荐结果之后，应用就可以将用户感兴趣的新闻推荐给用户了。

select news_id, title, content, (extract(epoch from (now()-create_time)) * w1 + click_times/extract(epoch from (now()-create_time)) * w2 + two_hour_click_times/extract(epoch from (now()-create_time)) * w3 + ann_distance * w4) as rank_score
from (select *, l2_distance(news_vector, feature_extractor('textf', 'NBA 体育 总决赛 热火 火箭')) as ann_distance from news order by ann_distance desc limit 500) S 
order by rank_score desc;

参数说明：
• ann_distance：用户与新闻的相关度。
• create_time：新闻的创建时间。
• click_times/(now()-create_time)：新闻热度点击率。
• two_hour_click_times/(now()-create_time)：新闻近期热度点击率。
• w1、w2、w3、w4：逻辑回归模型学习中各个属性的权重。

结论

详细的 AnalyticDB 系统请加我们的钉钉群，欢迎大家讨论和使用。

往期文献：

[1] 戴口罩也能刷门禁？疫情下 AnalyticDB 亮出社区管理的宝藏神器！https://developer.aliyun.com/article/745160

[2] 阿里云提供高效基因序列检索功能，助力冠状病毒序列快速分析
https://developer.aliyun.com/article/753097

[3] 三步搭建一套声纹系统
https://developer.aliyun.com/article/765232

[4] 阿里云提供高效病原体检测工具助力精准医疗
https://yq.aliyun.com/articles/761891

退出移动版