graphlab不推荐用户已经拥有的项目

Question

在创建graphlab推荐模型时，用户已经拥有的项不再推荐给他时，应该具体说明什么？这可以直接通过指定某些参数来完成，还是我需要从头开始编写推荐信呢？数据应该如下所示

| user_id    |  item_id    | othercolumns |
|:-----------|------------:|:------------:|
| 1          |     21      |     This     | 
| 2          |     22      |     column   |
| 1          |     23      |     will     |
| 3          |     24      |     hold     |
| 2          |     25      |     other    |
| 1          |     26      |     values   |

由于项目21、23和26已为用户1所拥有，因此不应向他推荐该项目。

Answer 1

这种行为由recommender.recommend方法(文档)的文档参数控制。

exclude_known : bool，可选 默认情况下，以前在培训数据或使用new_observation_data.提供的任何新数据中看到的所有用户项交互都被排除在建议之外。传入exclude_known = False将重写此行为。

示例

>>> import graphlab as gl
>>> sf = gl.SFrame({'user_id':[1,2,1,3,2,1], 'item_id':[21,22,23,24,25,26]})
>>> print sf
+---------+---------+
| item_id | user_id |
+---------+---------+
|    21   |    1    |
|    22   |    2    |
|    23   |    1    |
|    24   |    3    |
|    25   |    2    |
|    26   |    1    |
+---------+---------+
[6 rows x 2 columns]
>>> rec_model = gl.recommender.create(sf)
>>> # we recommend items not owned by user
>>> rec_wo_own_item = rec_model.recommend(sf['user_id'].unique())
>>> rec_wo_own_item.sort('user_id').print_rows(100)
+---------+---------+----------------+------+
| user_id | item_id |     score      | rank |
+---------+---------+----------------+------+
|    1    |    22   |      0.0       |  1   |
|    1    |    24   |      0.0       |  2   |
|    1    |    25   |      0.0       |  3   |
|    2    |    21   |      0.0       |  1   |
|    2    |    23   |      0.0       |  2   |
|    2    |    24   |      0.0       |  3   |
|    2    |    26   |      0.0       |  4   |
|    3    |    21   | 0.333333333333 |  1   |
|    3    |    23   | 0.333333333333 |  2   |
|    3    |    26   | 0.333333333333 |  3   |
|    3    |    22   | 0.166666666667 |  4   |
|    3    |    25   | 0.166666666667 |  5   |
+---------+---------+----------------+------+
[12 rows x 4 columns]
>>> # we recommend items owned by user
>>> rec_w_own_item = rec_model.recommend(sf['user_id'].unique(), exclude_known=False)
>>> rec_w_own_item.sort('user_id').print_rows(100)
+---------+---------+----------------+------+
| user_id | item_id |     score      | rank |
+---------+---------+----------------+------+
|    1    |    21   | 0.666666666667 |  1   |
|    1    |    23   | 0.666666666667 |  2   |
|    1    |    26   | 0.666666666667 |  3   |
|    1    |    22   |      0.0       |  4   |
|    1    |    24   |      0.0       |  5   |
|    1    |    25   |      0.0       |  6   |
|    2    |    26   |      0.0       |  6   |
|    2    |    24   |      0.0       |  5   |
|    2    |    23   |      0.0       |  4   |
|    2    |    21   |      0.0       |  3   |
|    2    |    25   |      0.5       |  2   |
|    2    |    22   |      0.5       |  1   |
|    3    |    24   |      0.0       |  6   |
|    3    |    25   | 0.166666666667 |  5   |
|    3    |    22   | 0.166666666667 |  4   |
|    3    |    26   | 0.333333333333 |  3   |
|    3    |    23   | 0.333333333333 |  2   |
|    3    |    21   | 0.333333333333 |  1   |
+---------+---------+----------------+------+
[18 rows x 4 columns]
>>> # we add recommended items not owned by user to the original SFrame
>>> rec = rec_wo_own_item.groupby('user_id', {'reco':gl.aggregate.CONCAT('item_id')})
>>> sf = sf.join(rec, 'user_id', 'left')
>>> print sf
+---------+---------+----------------------+
| item_id | user_id |         reco         |
+---------+---------+----------------------+
|    21   |    1    |     [24, 25, 22]     |
|    22   |    2    |   [24, 26, 23, 21]   |
|    23   |    1    |     [24, 25, 22]     |
|    24   |    3    | [21, 23, 26, 25, 22] |
|    25   |    2    |   [24, 26, 23, 21]   |
|    26   |    1    |     [24, 25, 22]     |
+---------+---------+----------------------+
[6 rows x 3 columns]