インターネット技術(shù)の継続的な発展に伴い、ますます多くの Web サイトやアプリケーションがユーザー エクスペリエンスとパーソナライズされた推奨事項に重點(diǎn)を置き始めています。レコメンデーション システムはその中で非常に重要な部分であり、ユーザーの過去の行動や好みに基づいて、ユーザーの興味に最も適したコンテンツを推奨します。この記事では、Workerman フレームワークを使用して、協(xié)調(diào)フィルタリングに基づく映畫推奨システムを?qū)g裝する方法を紹介します。

1. 協(xié)調(diào)フィルタリング アルゴリズム

協(xié)調(diào)フィルタリングは、レコメンデーション システムで最も一般的に使用されるアルゴリズムの 1 つで、未知のアイテムに対するユーザーの評価、またはユーザーの履歴に基づいてユーザーがこれを好むかどうかを予測します。行動や好みのこと。協(xié)調(diào)フィルタリング アルゴリズムの基本的な考え方は、ユーザー間の類似點(diǎn)とアイテム間の類似點(diǎn)を発見することです。このうち、ユーザー間の類似性はユーザーの過去の評価の類似性を計算することで実現(xiàn)でき、アイテム間の類似性は異なるアイテムに対する異なるユーザーの評価を計算することで実現(xiàn)できます。

2. Workerman フレームワークの紹介

Workerman は、純粋に PHP で開発された高性能ネットワーク通信フレームワークであり、非同期ノンブロッキング IO モデルを採用しており、高い同時実行性、高い処理能力を備えています。パフォーマンスと低エネルギー消費(fèi)を備え、多數(shù)の同時実行の長時間接続を処理でき、分散インスタント メッセージング、オンライン ゲーム、モノのインターネット、その他のシナリオの実裝に使用できます。

3. Workerman を使用して協(xié)調(diào)フィルタリングに基づく映畫推薦システムを?qū)g裝する

1. データの準(zhǔn)備

まず、映畫の評価データを準(zhǔn)備する必要があります。セット、データ セットには、ユーザー ID、ムービー ID、およびムービーに対するユーザーの評価が含まれます。データ セットは MovieLens Web サイトからダウンロードできます。たとえば、ml-100k.zip パッケージをダウンロードします。解凍後、100,000 件の評価レコードが含まれる u.data ファイルを取得できます。データ セットの形式は次のとおりです。

UserID | MovieID | Rating | Timestamp
---------------------------------------
   196  |    242  |      3 | 881250949
   186  |    302  |      3 | 891717742
   196  |    377  |      1 | 878887116
...

2. ユーザー評価モデルの確立

映畫評価データ セットに従って、ユーザー評価モデルを確立できます。すべての映畫のユーザー ID 評価に基づいてユーザーをクエリできます。以下は、ユーザー評価モデルの簡単な例です。

class UserModel
{
    public static function getRatings($userId)
    {
        $ratings = array();
        $file = fopen('u.data', 'r');
        while (($line = fgets($file)) !== false) {
            $data = explode("    ", trim($line));
            if ($userId == $data[0]) {
                $ratings[$data[1]] = $data[2]; // 記錄該用戶對該電影的評分
            }
        }
        fclose($file);
        return $ratings;
    }
}

3. 協(xié)調(diào)フィルタリング モデルの確立

確立されたユーザー評価モデルに従って、協(xié)調(diào)フィルタリングを確立できます。このモデルは、ユーザーの過去の評価に基づいて、未知の映畫に対するユーザーの評価を予測できます。以下は、簡単な協(xié)調(diào)フィルタリング モデルの例です。

class CFModel
{
    public static function predictRating($userId, $movieId)
    {
        $simUsers = array(); // 相似用戶ID列表
        $simValues = array(); // 相似值列表
        $ratings1 = UserModel::getRatings($userId);
        if (empty($ratings1)) {
            return 0;
        }
        $file = fopen('u.data', 'r');
        while (($line = fgets($file)) !== false) {
            $data = explode("    ", trim($line));
            if ($userId != $data[0] && $movieId == $data[1]) { // 如果不是當(dāng)前用戶且電影相同
                $ratings2 = UserModel::getRatings($data[0]);
                if (!empty($ratings2)) { // 如果相似用戶有評分記錄
                    $sim = self::similarity($ratings1, $ratings2); // 計算相似度
                    if ($sim > 0) { // 如果相似度大于0
                        $simUsers[] = $data[0];
                        $simValues[] = $sim;
                    }
                }
            }
        }
        fclose($file);
        if (empty($simUsers)) {
            return 0;
        }
        arsort($simValues); // 按相似度從高到低排序
        $simUsers = array_slice($simUsers, 0, 10); // 取相似度最高的10個用戶
        $simValues = array_slice($simValues, 0, 10); // 取相似度最高的10個用戶的相似度值
        $sum = 0;
        $weight = 0;
        foreach ($simUsers as $k => $simUser) {
            $rating = UserModel::getRatings($simUser)[$movieId]; // 獲取相似用戶對該電影的評分
            $sum += $simValues[$k] * $rating; // 計算評分總和
            $weight += $simValues[$k]; // 計算權(quán)重總和
        }
        return round($sum / $weight); // 計算平均評分
    }

    public static function similarity($ratings1, $ratings2)
    {
        $commonKeys = array_keys(array_intersect_key($ratings1, $ratings2));
        if (empty($commonKeys)) {
            return 0;
        }
        $diff1 = $diff2 = 0;
        foreach ($commonKeys as $key) {
            $diff1 += ($ratings1[$key] - $ratings2[$key]) ** 2;
            $diff2 += ($ratings1[$key] - $ratings2[$key]) ** 2;
        }
        return $diff1 / sqrt($diff2);
    }
}

4. レコメンデーション システム サービスの確立

上記の協(xié)調(diào)フィルタリング モデルに基づいて、次のようなレコメンデーション システム サービスを構(gòu)築できます。 can ユーザー ID と映畫 ID をパラメータとして受け取り、映畫に対するユーザーの予測評価を返します。以下は、簡単なレコメンデーション システム サービスの例です。

use WorkermanProtocolsHttpRequest;
use WorkermanProtocolsHttpResponse;
use WorkermanWorker;

require_once __DIR__ . '/vendor/autoload.php';

$http_worker = new Worker("http://0.0.0.0:8888");

$http_worker->onMessage = function(Request $request, Response $response) {
    $userId = $request->get('userId');
    $movieId = $request->get('movieId');
    $rating = CFModel::predictRating($userId, $movieId);
    $response->header('Content-Type', 'application/json');
    $response->end(json_encode(array('rating' => $rating)));
};

Worker::runAll();

5. レコメンデーション システム サービスのテスト

最後に、HTTP リクエストを送信して、レコメンデーション システム サービスをテストできます。例:

http://localhost:8888?userId=1&movieId=1

このリクエストは、映畫に対するユーザーの予測評価を含む JSON 形式の応答を返します。

IV. 概要

この記事では、Workerman フレームワークを使用して、協(xié)調(diào)フィルタリングに基づく映畫推奨システムを?qū)g裝する方法を紹介します。このシステムは、ユーザーの履歴に基づいて、未知の映畫に対するユーザーの評価を予測できます。行動と好み。コード例は単純な実裝にすぎませんが、実際のアプリケーションでは、データ サイズ、アルゴリズムの最適化、モデルのトレーニングなど、多くの要素を考慮する必要があります。この記事が読者のレコメンデーション システムの理解と実裝に役立つことを願っています。

以上がWorkerman を使用して協(xié)調(diào)フィルタリングに基づく映畫推奨システムを?qū)g裝する方法の詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國語 Web サイトの他の関連記事を參照してください。