博客

一. 数据集介绍与实现分析

1. 数据集介绍

本项目使用天池数据集，淘宝广告展示/点击数据集 –

Ad Display/Click Data

raw_sample

淘宝网站中随机抽样了114万用户8天内的广告展示/点击日志（2600万条记录）构成原始的样本数据:

ad_feature

本数据集涵盖了raw_sample中全部广告的基本信息(约80万条):

user_profile

本数据集涵盖了raw_sample中全部用户的基本信息(约100多万用户):

behavior_log

本数据集涵盖了raw_sample中全部用户22天内的购物行为(共七亿条记录):
1.user：脱敏过的用户ID；
2.time_stamp：时间戳；
3.btag：行为类型, 包括以下四种：
	类型 | 说明
	pv | 浏览
	cart | 加入购物车
	fav | 喜欢
	buy | 购买
4.cate_id：脱敏过的商品类目id；
5.brand_id: 脱敏过的品牌id；

2. 项目实现分析

1.数据to业务

• 广告点击的样本数据 raw_sample.csv：体现的是用户对不同位置广告点击、没点击的情况
• 广告基本信息数据 ad_feature.csv：体现的是每个广告的类目(id)、品牌(id)、价格特征
• 用户基本信息数据 user_profile.csv：体现的是用户群组、性别、年龄、消费购物档次、所在城市级别等特征
• 用户行为日志数据 behavior_log.csv：体现用户对商品类目(id)、品牌(id)的浏览、加购物车、收藏、购买等信息
• 我们是在对非搜索类型的广告进行点击率预测和推荐（没有搜索词，没有广告的内容特征信息）

2.推荐业务处理流程

召回 –> 排序 –> 过滤

• 离线处理业务流：

  • raw_sample.csv ==> 历史样本数据
  • ad_feature.csv ==> 广告特征数据
  • user_profile.csv ==> 用户特征数据
  • raw_sample.csv + ad_feature.csv + user_profile.csv ==> CTR点击率预测模型
  • behavior_log.csv ==> 评分数据 –> user-cate/brand评分数据 –>协同过滤 –> top-N cate/brand –> 关联广告
  • 协同过滤召回 ==> top-N cate/brand –>关联对应的广告完成召回

• 在线处理业务流：

  • 数据处理部分：
    • 实时行为日志 ==> 实时特征 –> 缓存
    • 实时行为日志 ==> 实时商品类别/品牌 –> 实时广告召回集 –> 缓存
  • 推荐任务部分：
    • CTR点击率预测模型 + 广告/用户特征(缓存) + 对应的召回集(缓存) ==> 点击率排序 –> top-N广告推荐结果

3.图示实现流程

• 离线计算：
  
  
• 实时计算：
  
  
• 实时计算：
  
  

4.涉及技术

• Flume：日志数据收集
• Kafka： 实时日志数据处理队列
• HDFS： 分布式存储数据
• Spark SQL： 离线处理
• Spark ML/MLlib：模型训练
• Redis： 缓存(数据集非常大使用HBase)

二. 环境准备

三. ALS-召回

3.0 用户行为数据拆分

• 为了方便读者练习，特写一个函数，用于从海量数据中读取一部分数据

import pandas as pd
# 读取数据集
reader = pd.read_csv('/behavior_log.csv',chunksize=100,iterator=True)
# 划取100000条数据
count = 0
for chunk in reader:
	count += 1
	if count == 1:
		chunk.to_csv('test_behavior_log.csv', index = False)
	elif count>1 and count<=1000:
		chunk.to_csv('test_behavior_log.csv', index=False, mode='a', header=False)
	else:
		break
pd.read_csv('test_behavior_log.csv')

3.1 预处理behavior_log数据集

• 1.创建spark session

import os
# 配置spark driver和pyspark运行时，所使用的python解释器位置
PYSPARK_PYTHON = '/home/hadoop/miniconda3/envs/data/bin/python'
JAVA_HOME = '/home/hadoop/app/jdk1.8.0_191'
# 当存在多个版本时，不指定很可能会导致出错
os.environ['PYSPARK_PYTHON'] = PYSPARK_PYTHON
os.envirom['PYSPARK_DRIVER_PYTHON'] = PYSPARK_PYTHON
os.envirom['JAVA_HOME'] = JAVA_HOME
# spark配置信息
from pyspark import SparkConf
from pyspark.sql import SparkSession
# 名字任意
SPARK_APP_NAME = 'preprocessingBehaviorLog'
SPARK_URL = 'spark://192.168.199.188:7070'
conf = SparkConf()
# 创建spark config对象
config = (
	("spark.app.name", SPARK_APP_NAME),
	("spark.executor.memory", "6g"), # 设置该app启动时所占用的内存，默认1g
	("spark.master", SPARK_URL),
	("spark.executor.cores", "4"), # 设置spark executor使用的CPU核心数
)
# 查看更详细配置及说明：https://spark.apache.org/docs/latest/configuration.html
config.setAll(config)
# 利用config对象，创建spark session
spark = SparkSession.builder.config(conf=conf).getOrCreate()

• 2.从hdfs中加载csv文件为DataFrame，并设置结构

from pyspark.sql.types import StructType, StructField, StringType, IntegerType, LongType
# 构建结构对象
schema = StructType([
	StructField('userId', IntegerType()),
	StructField('timestamp', LongType()),
	StructField('btag', StringType()),
	StructField('cateId', IntegerType()),
	StructFiedl('brandId', IntegerType())
])
# 从hdfs加载数据为DataFrame，并设置结构
behavior_log_df = spark.read.csv('/datasets/behavior_log.csv', header=True, schema=schema)
# 查看DataFrame，默认显示前20条
behavior_log_df.show()
# 查看一下数据类型，结构
behavior_log_df.printSchema()

+------+----------+----+------+-------+
|userId| timestamp|btag|cateId|brandId|
+------+----------+----+------+-------+
|558157|1493741625|  pv|  6250|  91286|
|558157|1493741626|  pv|  6250|  91286|
|558157|1493741627|  pv|  6250|  91286|
|728690|1493776998|  pv| 11800|  62353|
|332634|1493809895|  pv|  1101| 365477|
|857237|1493816945|  pv|  1043| 110616|
|619381|1493774638|  pv|   385| 428950|
|467042|1493772641|  pv|  8237| 301299|
|467042|1493772644|  pv|  8237| 301299|
|991528|1493780710|  pv|  7270| 274795|
|991528|1493780712|  pv|  7270| 274795|
|991528|1493780712|  pv|  7270| 274795|
|991528|1493780712|  pv|  7270| 274795|
|991528|1493780714|  pv|  7270| 274795|
|991528|1493780765|  pv|  7270| 274795|
|991528|1493780714|  pv|  7270| 274795|
|991528|1493780765|  pv|  7270| 274795|
|991528|1493780764|  pv|  7270| 274795|
|991528|1493780633|  pv|  7270| 274795|
|991528|1493780764|  pv|  7270| 274795|
+------+----------+----+------+-------+
only showing top 20 rows

root
 |-- userId: integer (nullable = true)
 |-- timestamp: long (nullable = true)
 |-- btag: string (nullable = true)
 |-- cateId: integer (nullable = true)
 |-- brandId: integer (nullable = true)

• 3.分析数据集字段的类型和格式
  • 查看是否有空值
  • 查看每列数据的类型
  • 查看每列数据的类别情况

print('查看userId的数据情况：', behavior_log_df.groupBy('userId').count().count())
print("查看btag的数据情况：", behavior_log_df.groupBy("btag").count().collect())    # collect会把计算结果全部加载到内存，谨慎使用
# 只有四种类型数据：pv、fav、cart、buy
# 这里由于类型只有四个，所以直接使用collect，把数据全部加载出来
print("查看cateId的数据情况：", behavior_log_df.groupBy("cateId").count().count())
print("查看brandId的数据情况：", behavior_log_df.groupBy("brandId").count().count())
print("判断数据是否有空值：", behavior_log_df.count(), behavior_log_df.dropna().count())
# 约7亿条目723268134 723268134
# 得知：本数据集无空值条目，可放心处理
# 统计每个用户对各类商品的pv、fav、cart、buy数量
cate_count_df = behavior_log_df.groupBy(behavior_log_df.userId, behavior_log_df.cateId).pivot("btag",["pv","fav","cart","buy"]).count()
cate_count_df.printSchema()
cate_count_df.first()

查看user的数据情况： 1136340
查看btag的数据情况： [Row(btag='buy', count=9115919), Row(btag='fav', count=9301837), Row(btag='cart', count=15946033), Row(btag='pv', count=688904345)]
查看cateId的数据情况： 12968
查看brandId的数据情况： 460561
判断数据是否有空值： 723268134 723268134
root
 |-- userId: integer (nullable = true)
 |-- cateId: integer (nullable = true)
 |-- pv: integer (nullable = true)
 |-- fav: integer (nullable = true)
 |-- cart: integer (nullable = true)
 |-- buy: integer (nullable = true)

Row(userId=1061650, cateId=4520, pv=2326, fav=None, cart=53, buy=None)

3.2 根据用户对类目偏好打分训练ALS模型

• 1.打分规则，函数封装，处理每一行数据

def process_row(r):
	"""
	偏好评分规则：
		m:用户对应的行为次数
		该偏好权重比例，根据业务调参，上线评测获得进一步权重分配：
		pv: if m<=20: score=0.2*m; else score=4
	    fav: if m<=20: score=0.4*m; else score=8
	    cart: if m<=20: score=0.6*m; else score=12
	    buy: if m<=20: score=1*m; else score=20
	 注意：全部设成浮点数，spark运算时，对数据比较敏感，要保持数据类型都一致
	"""
	pv_count = r.pv if r.pv else 0.0
	fav_count = r.fav if r.fav else 0.0
	cart_count = r.cart if r.cart else 0.0
	buy_count = r.buy if r.buy else 0.0
	pv_score = 0.2*pv_count if pv_count<=20 else 4.0
	
	fav_score = 0.4*fav_count if fav_count<=20 else 8.0
	cart_score = 0.6*cart_count if cart_count<=20 else 12.0
	buy_score = 1.0*buy_count if buy_count<=20 else 20.0

	rating = pv_score + fav_score + cart_score + buy_score
	# 返回用户ID，分类ID，用户对分类的偏好打分
	return r.userId, r.cateId, rating

• 2.用户对商品类别的打分数据

cate_rating_df = cate_count_df.rdd.map(process_row).toDF(['userId', 'cateId', 'rating'])
cate_rating_df

DataFrame[userId: bigint, cateId: bigint, rating: double]

• 3.使用pyspark中的ALS矩阵分解方法实现CF评分预测

from pyspark.ml.recommendation import ALS

# 利用打分数据训练ALS模型
als = ALS(userCol='userId', itemCol='cateId', ratingCol='rating',checkpointInterval=2)
model = als.fit(cate_rating_df)

• 4.模型训练好后，调用方法使用

# 为所有用户推荐Top-N个类别
ret = model.recommendForAllUsers(3)
ret.show()

+------+--------------------+
|userId|     recommendations|
+------+--------------------+
|   148|[[3347, 12.547271...|
|   463|[[1610, 9.250818]...|
|   471|[[1610, 10.246621...|
|   496|[[1610, 5.162216]...|
|   833|[[5607, 9.065482]...|
|  1088|[[104, 6.886987],...|
|  1238|[[5631, 14.51981]...|
|  1342|[[5720, 10.89842]...|
|  1580|[[5731, 8.466453]...|
|  1591|[[1610, 12.835257...|
|  1645|[[1610, 11.968531...|
|  1829|[[1610, 17.576496...|
|  1959|[[1610, 8.353473]...|
|  2122|[[1610, 12.652732...|
|  2142|[[1610, 12.48068]...|
|  2366|[[1610, 11.904813...|
|  2659|[[5607, 11.699315...|
|  2866|[[1610, 7.752719]...|
|  3175|[[3347, 2.3429515...|
|  3749|[[1610, 3.641833]...|
+------+--------------------+
only showing top 20 rows

• 5.模型保存

model.transform
model.save('/models/userCateRatingALSModel.obj')
## 从hdfs中加载模型的代码
# from pyspark.ml.recommendation import ALSModel
# als_model = ALSModel.load('/models/userCateRatingALSModel.obj')

• 6.召回到redis

# 召回之前，先开启redis服务，在此不做赘述
import redis
host j= '192.168.199.188'
port = 6379

def recall_cate_by_cf(partition):
	# 建立redis连接池
	pool = redis.ConnectionPool(host=host, post=port)
	# 建立redis客户端
	client = redis.Redis(connection_pool=pool)
	for row in partition:
		client.hset('recall_cate', row.userId, [i.cateId for i in row.recommendations])
# 对每个分片的数据进行处理
result.foreachPartition(recall_cate_by_cf)
# 总的条目数，查看redis中总的条目数是否一致
result.count()

1136340

3.3根据用户对品牌偏好打分训练ALS模型

• 1.对品牌的偏好打分

# 代码同3.2部分
from pyspark.sql.types import StructType, StructField, StringType, IntegerType

schema = StructType([
    StructField("userId", IntegerType()),
    StructField("brandId", IntegerType()),
    StructField("pv", IntegerType()),
    StructField("fav", IntegerType()),
    StructField("cart", IntegerType()),
    StructField("buy", IntegerType())
])
# 从hdfs加载预处理好的品牌的统计数据
brand_count_df = spark.read.csv("/preprocessing_dataset/brand_count.csv", header=True, schema=schema)
# brand_count_df.show()
def process_row(r):
    # 处理每一行数据：r表示row对象
    
    # 偏好评分规则：
	#     m: 用户对应的行为次数
    #     该偏好权重比例，次数上限仅供参考，具体数值应根据产品业务场景权衡
	#     pv: if m<=20: score=0.2*m; else score=4
	#     fav: if m<=20: score=0.4*m; else score=8
	#     cart: if m<=20: score=0.6*m; else score=12
	#     buy: if m<=20: score=1*m; else score=20
    
    # 注意这里要全部设为浮点数，spark运算时对类型比较敏感，要保持数据类型都一致
	pv_count = r.pv if r.pv else 0.0
	fav_count = r.fav if r.fav else 0.0
	cart_count = r.cart if r.cart else 0.0
	buy_count = r.buy if r.buy else 0.0

	pv_score = 0.2*pv_count if pv_count<=20 else 4.0
	fav_score = 0.4*fav_count if fav_count<=20 else 8.0
	cart_score = 0.6*cart_count if cart_count<=20 else 12.0
	buy_score = 1.0*buy_count if buy_count<=20 else 20.0

	rating = pv_score + fav_score + cart_score + buy_score
	# 返回用户ID、品牌ID、用户对品牌的偏好打分
	return r.userId, r.brandId, rating
# 用户对品牌的打分数据
brand_rating_df = brand_count_df.rdd.map(process_row).toDF(["userId", "brandId", "rating"])

• 2.训练模型并根据品牌爱好推荐

from pyspark.ml.recommendation import ALS

als = ALS(userCol='userId', itemCol='brandId', ratingCol='rating', checkpointInterval=2)
# 利用打分数据，训练ALS模型
# 此处训练时间较长
model = als.fit(brand_rating_df)
# model.recommendForAllUsers(N) 给用户推荐TOP-N个物品
model.recommendForAllUsers(3).show()
# 将模型进行存储
model.save("/models/userBrandRatingModel.obj")
# 测试存储的模型
from pyspark.ml.recommendation import ALSModel
# 从hdfs加载模型
my_model = ALSModel.load("/models/userBrandRatingModel.obj")
my_model
# model.recommendForAllUsers(N) 给用户推荐TOP-N个物品
my_model.recommendForAllUsers(3).first()