kaggle学习笔记-otto-baseline6-使用 RAPIDS TSNE 和项目矩阵分解可视化用户行为

本文主要是介绍kaggle学习笔记-otto-baseline6-使用 RAPIDS TSNE 和项目矩阵分解可视化用户行为,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

简介

在Kaggle的Otto推荐系统竞赛中,项目ID是匿名的。所以我们不知道每个项目 id 指的是哪个。但是,通过项目矩阵分解,我们可以将匿名项目 ID 转换为有意义的嵌入。那么类似的嵌入将是类似的项目。如果我们将嵌入投影到 2D 平面(使用 TSNE、UMAP、PCA 等)并绘制它们,我们可以看到类似项目的集群。然后一个集群可能是服装,另一个集群可能是电子产品等。

使用项目嵌入的 2D 平面,我们可以绘制点和线,显示每个用户活动的进展。这使我们能够了解用户如何购物。用户是否浏览类似的项目,然后查看不同的项目,然后返回购买原始项目。用户主要探索类似项目吗?还是用户探索各种项目?下面的图将阐明用户行为,帮助我们理解数据并构建更好的功能和模型。

数据处理

import cudf
print('RAPIDS cuDF version',cudf.__version__)train = cudf.read_parquet('../input/otto-full-optimized-memory-footprint/train.parquet')
test = cudf.read_parquet('../input/otto-full-optimized-memory-footprint/test.parquet')train_pairs = cudf.concat([train, test])[['session', 'aid']]
del train, testtrain_pairs['aid_next'] = train_pairs.groupby('session').aid.shift(-1)
train_pairs = train_pairs[['aid', 'aid_next']].dropna().reset_index(drop=True)cardinality_aids = max(train_pairs['aid'].max(), train_pairs['aid_next'].max())
print('Cardinality of items is',cardinality_aids)

安装 Merlin 下载器

!pip install merlin-dataloader==0.0.2
from merlin.loader.torch import Loader train_pairs.to_pandas().to_parquet('train_pairs.parquet') # TRAIN WITH ALL DATA
train_pairs[-10_000_000:].to_pandas().to_parquet('valid_pairs.parquet')from merlin.loader.torch import Loader 
from merlin.io import Datasettrain_ds = Dataset('train_pairs.parquet')
train_dl_merlin = Loader(train_ds, 65536, True)

使用 PyTorch 矩阵分解模型学习项目嵌入

import torch
from torch import nnclass MatrixFactorization(nn.Module):def __init__(self, n_aids, n_factors):super().__init__()self.aid_factors = nn.Embedding(n_aids, n_factors, sparse=True)def forward(self, aid1, aid2):aid1 = self.aid_factors(aid1)aid2 = self.aid_factors(aid2)return (aid1 * aid2).sum(dim=1)class AverageMeter(object):"""Computes and stores the average and current value"""def __init__(self, name, fmt=':f'):self.name = nameself.fmt = fmtself.reset()def reset(self):self.val = 0self.avg = 0self.sum = 0self.count = 0def update(self, val, n=1):self.val = valself.sum += val * nself.count += nself.avg = self.sum / self.countdef __str__(self):fmtstr = '{name} {val' + self.fmt + '} ({avg' + self.fmt + '})'return fmtstr.format(**self.__dict__)valid_ds = Dataset('valid_pairs.parquet')
valid_dl_merlin = Loader(valid_ds, 65536, True)
from torch.optim import SparseAdamnum_epochs = 10
lr=0.1model = MatrixFactorization(cardinality_aids+1, 32)
optimizer = SparseAdam(model.parameters(), lr=lr)
criterion = nn.BCEWithLogitsLoss()model.to('cuda')
for epoch in range(num_epochs):for batch, _ in train_dl_merlin:model.train()losses = AverageMeter('Loss', ':.4e')aid1, aid2 = batch['aid'], batch['aid_next']aid1 = aid1.to('cuda')aid2 = aid2.to('cuda')output_pos = model(aid1, aid2)output_neg = model(aid1, aid2[torch.randperm(aid2.shape[0])])output = torch.cat([output_pos, output_neg])targets = torch.cat([torch.ones_like(output_pos), torch.zeros_like(output_pos)])loss = criterion(output, targets)losses.update(loss.item())optimizer.zero_grad()loss.backward()optimizer.step()model.eval()with torch.no_grad():accuracy = AverageMeter('accuracy')for batch, _ in valid_dl_merlin:aid1, aid2 = batch['aid'], batch['aid_next']output_pos = model(aid1, aid2)output_neg = model(aid1, aid2[torch.randperm(aid2.shape[0])])accuracy_batch = torch.cat([output_pos.sigmoid() > 0.5, output_neg.sigmoid() < 0.5]).float().mean()accuracy.update(accuracy_batch, aid1.shape[0])print(f'{epoch+1:02d}: * TrainLoss {losses.avg:.3f}  * Accuracy {accuracy.avg:.3f}')

提取项目嵌入

# EXTRACT EMBEDDINGS FROM MODEL EMBEDDING TABLE
embeddings = model.aid_factors.weight.detach().cpu().numpy()
print('Item Matrix Factorization embeddings have shape',embeddings.shape)

使用 RAPIDS TSNE 可视化用户行为

# IMPORT RAPIDS TSNE
from cuml import UMAP, TSNE, PCA
import matplotlib.pyplot as plt, numpy as np
import matplotlib.patches as mpatches, cuml
print('RAPIDS cuML version',cuml.__version__)# FIT TRANSFORM TSNE
em_2d = TSNE(n_components=2).fit_transform(embeddings)
print('TSNE embeddings have shape',em_2d.shape)
# LOAD TEST DATA
test = cudf.read_parquet('../input/otto-full-optimized-memory-footprint/test.parquet')
tmp = test.groupby('session').aid.agg('count').rename('n')
test = test.merge(tmp, left_on='session', right_index=True, how='left')
active_users = test.loc[test.n>20,'session'].unique().to_array()
test = test.sort_values(['session','ts'])
print('Test data shape:', test.shape )
test.head()

在这里插入图片描述

使用 TSNE 项目嵌入显示用户活动

对于 50 个随机用户(有 20 个或更多活动),我们将绘制他们的活动随时间的变化。顶部图显示与之交互的项目的类别,底部图显示项目交互的时间。当顶部图中的点彼此靠近时,则项目相似。例如,两件衣服将接近,而一件衣服将与一件电子产品相距甚远。

图中的数字按时间排序。数字 1 是用户与之交互的第一个项目,而数字 10 是第 10 个项目,依此类推。我们只显示一些数字,以便数字可读。橙色点是点击,绿色点是购物车,红点是买入。180万个蓝点都是独一无二的物品。我们观察到代表不同类别物品的蓝点簇。

x-y 平面表示不同的项目类别。如果用户呆在同一区域,那么他们正在购买类似的物品,例如服装部门。当用户的绘图从 x-y 平面的一个区域更改为另一个区域时,用户将更改为不同类别的项目,例如从服装购物转移到电子产品购物。我们观察不同类型的用户。一些用户浏览一个项目类别,而其他用户浏览各种项目类别。

# DISPLAY EDA FOR 50 USERS
for k in range(50):# SELECT ONE USER WITH 20+ CLICKSu = np.random.choice(active_users)dff = test.loc[test.session==u].to_pandas().reset_index(drop=True)tmp = dff.aid.valuesclicks = test.loc[(test.session==u)&(test['type']==0)].to_pandas().aid.valuescarts = test.loc[(test.session==u)&(test['type']==1)].to_pandas().aid.valuesorders = test.loc[(test.session==u)&(test['type']==2)].to_pandas().aid.values############## PLOT HISTORY BY ITEM CATEGORY############# PLOT CLICKS, CARTS, ORDERS OVER TSNE ITEM EMBEDDING PLOTplt.figure(figsize=(15,15))plt.scatter(em_2d[::25,0],em_2d[::25,1],s=1,label='All 1.8M items!')plt.plot(em_2d[tmp][:,0],em_2d[tmp][:,1],'-',color='orange')plt.scatter(em_2d[tmp][:,0],em_2d[tmp][:,1],color='orange',s=25,label='Click')plt.scatter(em_2d[carts][:,0],em_2d[carts][:,1],color='green',s=100,label='Cart')plt.scatter(em_2d[orders][:,0],em_2d[orders][:,1],color='red',s=250,label='Order')# PLOT NUMBERS OF ORDER VISITEDold_xy = []; pos = []for i,(x,y) in enumerate(zip(em_2d[tmp][:,0],em_2d[tmp][:,1])):new_location = Truefor j in old_xy:if (np.abs(x-j[0])<5) & (np.abs(y-j[1])<5):new_location = Falseif new_location:plt.text(x,y,f'{i+1}',size=18)old_xy.append( (x,y) ); pos.append(i)# LABEL PLOTplt.legend()plt.title(f'Test User {u} - {len(clicks)} clicks, {len(carts)} carts, {len(orders)} orders:',size=18)#plt.xlabel('Item category',size=16)plt.ylabel('\n\nItem category',size=16)plt.xticks([], [])plt.yticks([], [])plt.show()############## PLOT HISTORY BY DAY AND HOUR############mn = test.ts.min()dff['day'] = (dff.ts - mn) // (60*60*24)dff['hour'] = ((dff.ts - mn) % (60*60*24)) // (60*60)plt.figure(figsize=(15,3))xx = np.random.uniform(-0.2,0.2,len(dff))yy = np.random.uniform(-0.5,0.5,len(dff))plt.scatter(dff.day.values+xx, dff.hour.values+yy, s=25, color='orange')cidx = dff.loc[dff['type']==1].index.valuesoidx = dff.loc[dff['type']==2].index.valuesplt.scatter(dff.day.values[cidx]+xx[cidx], dff.hour.values[cidx]+yy[cidx], s=50, color='green')plt.scatter(dff.day.values[oidx]+xx[oidx], dff.hour.values[oidx]+yy[oidx], s=100, color='red')old_xy = []for i in range(len(dff)):if 1: #i in pos:x = dff.day.values[i]+xx[i]y = dff.hour.values[i]+yy[i]new_location = Truefor j in old_xy:if (np.abs(x-j[0])<0.5) & (np.abs(y-j[1])<4):new_location = Falseif new_location:plt.text(x, y, f'{i+1}', size=18)old_xy.append( (x,y) )plt.ylim((-1,25))plt.xlim((-1,7))plt.ylabel('Hour of Day',size=16)plt.xlabel('Day of Month',size=16)plt.yticks([0,4,8,12,16,20,24],['12am','4am','8am','noon','4pm','8pm','12am'])plt.xticks([0,1,2,3,4,5,6],['Mon\nAug 29th','Tue\nAug 30rd','Wed\nAug 31st','Thr\nSep 1st','Fri\nSep 2nd','Sat\nSep 3rd','Sun\nSep 4th'])c1 = mpatches.Patch(color='orange', label='Click')c2 = mpatches.Patch(color='green', label='Cart')c3 = mpatches.Patch(color='red', label='Order')plt.legend(handles=[c1,c2,c3])plt.show()print('\n\n\n\n\n\n\n')

这段代码产生的图片较多,这里只放两张作为示意
在这里插入图片描述
在这里插入图片描述

这篇关于kaggle学习笔记-otto-baseline6-使用 RAPIDS TSNE 和项目矩阵分解可视化用户行为的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/404838

相关文章

C++使用栈实现括号匹配的代码详解

《C++使用栈实现括号匹配的代码详解》在编程中,括号匹配是一个常见问题,尤其是在处理数学表达式、编译器解析等任务时,栈是一种非常适合处理此类问题的数据结构,能够精确地管理括号的匹配问题,本文将通过C+... 目录引言问题描述代码讲解代码解析栈的状态表示测试总结引言在编程中,括号匹配是一个常见问题,尤其是在

Java中String字符串使用避坑指南

《Java中String字符串使用避坑指南》Java中的String字符串是我们日常编程中用得最多的类之一,看似简单的String使用,却隐藏着不少“坑”,如果不注意,可能会导致性能问题、意外的错误容... 目录8个避坑点如下:1. 字符串的不可变性:每次修改都创建新对象2. 使用 == 比较字符串,陷阱满

Python使用国内镜像加速pip安装的方法讲解

《Python使用国内镜像加速pip安装的方法讲解》在Python开发中,pip是一个非常重要的工具,用于安装和管理Python的第三方库,然而,在国内使用pip安装依赖时,往往会因为网络问题而导致速... 目录一、pip 工具简介1. 什么是 pip?2. 什么是 -i 参数?二、国内镜像源的选择三、如何

使用C++实现链表元素的反转

《使用C++实现链表元素的反转》反转链表是链表操作中一个经典的问题,也是面试中常见的考题,本文将从思路到实现一步步地讲解如何实现链表的反转,帮助初学者理解这一操作,我们将使用C++代码演示具体实现,同... 目录问题定义思路分析代码实现带头节点的链表代码讲解其他实现方式时间和空间复杂度分析总结问题定义给定

Linux使用nload监控网络流量的方法

《Linux使用nload监控网络流量的方法》Linux中的nload命令是一个用于实时监控网络流量的工具,它提供了传入和传出流量的可视化表示,帮助用户一目了然地了解网络活动,本文给大家介绍了Linu... 目录简介安装示例用法基础用法指定网络接口限制显示特定流量类型指定刷新率设置流量速率的显示单位监控多个

部署Vue项目到服务器后404错误的原因及解决方案

《部署Vue项目到服务器后404错误的原因及解决方案》文章介绍了Vue项目部署步骤以及404错误的解决方案,部署步骤包括构建项目、上传文件、配置Web服务器、重启Nginx和访问域名,404错误通常是... 目录一、vue项目部署步骤二、404错误原因及解决方案错误场景原因分析解决方案一、Vue项目部署步骤

JavaScript中的reduce方法执行过程、使用场景及进阶用法

《JavaScript中的reduce方法执行过程、使用场景及进阶用法》:本文主要介绍JavaScript中的reduce方法执行过程、使用场景及进阶用法的相关资料,reduce是JavaScri... 目录1. 什么是reduce2. reduce语法2.1 语法2.2 参数说明3. reduce执行过程

如何使用Java实现请求deepseek

《如何使用Java实现请求deepseek》这篇文章主要为大家详细介绍了如何使用Java实现请求deepseek功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1.deepseek的api创建2.Java实现请求deepseek2.1 pom文件2.2 json转化文件2.2

python使用fastapi实现多语言国际化的操作指南

《python使用fastapi实现多语言国际化的操作指南》本文介绍了使用Python和FastAPI实现多语言国际化的操作指南,包括多语言架构技术栈、翻译管理、前端本地化、语言切换机制以及常见陷阱和... 目录多语言国际化实现指南项目多语言架构技术栈目录结构翻译工作流1. 翻译数据存储2. 翻译生成脚本

C++ Primer 多维数组的使用

《C++Primer多维数组的使用》本文主要介绍了多维数组在C++语言中的定义、初始化、下标引用以及使用范围for语句处理多维数组的方法,具有一定的参考价值,感兴趣的可以了解一下... 目录多维数组多维数组的初始化多维数组的下标引用使用范围for语句处理多维数组指针和多维数组多维数组严格来说,C++语言没