作者：Johnson Kuan

编译：ronghuaiyang

导读

使用基于内容的方法来找到最相似的电影。

介绍

假设你正在推出下一个非常大的订阅视频点播(SVOD)流媒体服务，并且你已经获得了过去 100 年里发行的所有主要电影的流媒体权。祝贺你，这是不可思议的壮举！

现在你有了很多电影。如果没有推荐系统，你就会担心随着时间的推移，用户可能会被他们不关心的电影所淹没。这可能会导致客户流失，这是你最不想看到的！

所以你决定建立一个电影推荐系统。由于你的服务是新的，所以你还没有足够的数据来了解哪些用户正在观看哪些电影。这就是所谓的冷启动问题，它不能让你仅根据用户的历史收视记录来推荐电影。

幸运的是，即使没有足够的观看数据，我们仍然可以建立一个像样的电影元数据推荐系统。这就是 MovieLens 的作用所在。MovieLens 提供了一个公共数据集，其中包含每个电影的关键字标签。这些标签信息量很大。例如，看看 Good Will Hunting 的最重要的社群标签。

在这篇文章的其余部分，我将回答三个业务问题，这三个问题对于构建一个简单的基于内容的推荐系统非常关键，其中的标签来自 MovieLens：

  1. 每部电影需要多少个标签？
  2. 我们如何使用标签来衡量电影之间的相似性？
  3. 我们如何使用标签为用户生成电影推荐？

这个分析的代码可以在这里找到： https://github.com/JohnsonKuan/movie-rec-tags，以及数据和 Conda 环境 YAML 文件，以便你轻松地复现结果。

1) 每部电影我们需要多少个标签？

MovieLens 标签数据集中大约有 10K 个不一样的电影和 1K 个不一样的标签。每部电影的每个标签都有一个相关分数，所以大约有 1000 万个电影标签对。相关性得分范围为 0 到 1。

并不是每个标签都与电影相关，所以我们只需要保留最相关的标签。首先，我们可以根据相关评分对每部电影的标签进行排序。例如，下面是 Remember the Titans 的 top10 标签。请注意，相关性评分远远高于 0.9，这表明它们是非常相关的标签。

基于相关性得分的前 10 个标签(降序排列)

接下来，我们在下面的图中确认，电影的高排名标签往往具有较高的中值相关性得分。电影的排第一个的标签的中值相关度几乎是 1。我们可以看到，当我们下降到第 50 位时，中值相关性得分逐渐下降。

为了找到与电影最相关的标签，我们可以根据相关性评分保留电影的前 N 个标签。在这里，我们需要仔细挑选。如果 N 很小，我们有非常相关的但是很少的标签。如果 N 很大，我们有很多标签，但是其中很多可能是无关的。

下面的图显示了从第 1 个标签到第 100 个标签的中值的变化百分比。当相关性得分开始变得更稳定时，我们看到在第 50 位附近有一个拐点。因此，我们可以选择 N =50 作为每个电影保留的合理数量的标签。注意，这是一个相当简单的“拐点方法”风格的方法，可以在以后进行优化。

现在我们可以得到每个电影的前 50 个标签的列表，我们将在下一节中使用它们。例如，Toy Story 的前 50 个标签如下。

2) 我们如何使用标签来度量电影之间的相似度？

在为用户生成电影推荐之前，我们需要一种基于电影的前 50 个标签的相似性度量方法。在基于内容的推荐系统中，用户将被推荐与他们已经看过的电影相似的电影。

在这里，我会演示两种度量相似性的方法：

  1. 两个电影标签集合的 Jaccard Index

  2. 基于标签的电影向量（即内容嵌入）的余弦相似度。

Jaccard Index

使用 Jaccard Index 的第一种方法度量两个集合 A 和 B 之间的相似性，即交集的大小除以并集的大小。在度量电影之间的相似性时，我们可以计算这两组电影标签的索引。

![img](How to Build a Simple Movie Recommender System with Tags.assets/1_bBlhtLhCK95zNFGrGcUCTg.png)

例如，我们有三个电影下面和他们的前 3 个标签：

  • 电影 A 的标签 =(动作，空间，友情)

  • 电影 B 的标签 =(冒险，太空，友谊)

  • 电影 C 的标签 =(浪漫，喜剧，成长)

直观上，我们可以看出电影 A 与 B 更相似，而不是 C。这是因为电影 A 和 B 共享两个标签(空间，友情)，而电影 A 和 C 不共享任何标签。

下面是基于 Jaccard Index 的与 Good Will Hunting 相似的 10 部电影。对于 Good Will Hunting 的观众来说，这些建议似乎是合理的。注意，我在列表中包括了 Good Will Hunting，以显示在比较电影本身时 Jaccard Index=1。

基于 Jaccard Index 的标签集的类似 Good Will Hunting 的电影

以下是 10 部与 Interstellar 相似的电影。对于 Interstellar 的观众来说，这些建议似乎也很合理。

基于 Jaccard Index 的标签集的类似 Interstellar 的电影

为了进一步说明 Jaccard Index 的有效性，请看下面基于和 Interstellar 相似的电影的标签频率的词云。在这里，我们可以看到哪些标签在相似性计算中更加突出(例如科幻小说，伟大的结局，反乌托邦的未来，哲学，大脑)。

基于和 Interstellar 相似的电影的标签频率的词云

电影向量（也就是内容嵌入）的余弦相似度

第一个使用 Jaccard Index 的方法帮助我们建立了一种关于与标签相似的含义的直觉。基于余弦相似度的第二种方法稍微复杂一点。它要求我们把电影表示成一个向量。这里，向量就是一组数字。

例如，我们可以用三个实数来表示三个相同的电影：

  • 电影 A = (1.1, 2.3, 5.1)

  • 电影 B = (1.3, 2.1, 4.9)

  • 电影 C = (5.1, 6.2, 1.1)

直观上，我们可以再次看到电影 A 与 B 更相似，而不是 C。这是因为电影 A 和 B 在每个维度上有更接近的数字(例如第一个维度是 1.1 vs 1.3)。

为了找到一个好的向量表示的电影，我使用了 Doc2Vec (PV-DBOW) 技术，我们拿到一个电影(文档)，并基于标签（文档中的词）学习一个到潜在 K 维空间的映射。我不会在这里深入讨论细节，但这是我们如何基于标签将电影表示为向量的方法。

Doc2Vec 论文中对 PV-DBOW 技术的可视化，对于每个段落 ID (movie)，我们训练一个模型来预测该段落中某个单词(movie tag)的共现性

一旦我们可以把每一部电影表示成一个向量，我们就可以计算向量之间的余弦相似度来找到相似的电影。我不会在这里详细介绍余弦相似度，但是在一个较高的层次上，它告诉我们电影向量彼此之间有多么相似，我们可以使用它来生成推荐。

下面我用 UMAP 在二维空间上可视化电影向量，这是一种流行�