推荐系统中的产品聚类：一种文本聚类的方法

作者：Dimitris Apostolopoulos

编译：ronghuaiyang

导读

给大家介绍一下推荐系统中的产品聚类方法。

之前有一篇文章，推荐系统之路，介绍了推荐系统的一些基础知识，并用矩阵分解的方法实现了一个基础的推荐系统，今天接下来后面的内容。

在上一篇文章中，我把我的船驶向了"推荐系统"的岛屿，但是由于矩阵系统的性能问题，我的船受到了严重的伤害。

因此，现在，在接下来的文章中，我将一个接一个地找出每一个问题，并尝试修复它们(剧透警告：最后一切都会得到修复)。

让我们从中断的地方快速浏览一下。

“疼痛定位”：找出问题所在

正如本系列文章的第一部分中所描述的，我们面临的问题之一是：我们上一篇文章中的交互矩阵太大，无法度量。这是由于我们收集了大量的数据，其中包含重复的信息，因为相同的产品或类似的产品可以在不同的商店中找到。

换句话说，如果你销售耳机，而你的三个竞争对手也在销售同一品牌的耳机，那么你的矩阵上就会有重复的产品，这就会毫无理由地减慢你的速度。

这就是为什么本文的目的是实现相同或非常相似的产品的跨店标识。

“仔细看看”：合并信息

我们将使用数据集提供的产品信息(即产品代码、产品标题、产品 URL 和产品价格)。

现在，每家商店都使用自己的内部系统来跟踪产品。因此，每个商店的产品代码都是独一无二的。

更糟糕的是，我们也不能依赖产品价格，因为不同的商店价格不同。

这给我们留下了两个选项：产品标题和产品 URL。

如果一个人可以做一个从网站页面上拉取数据的网页采集器话，产品的 URL 可以是一个很好的信息来源，但是，由于 HTML 是“无结构”的，我们不能有这样一个网页采集器可以对每个网站都适用。

这样就只剩下一个选项，即整个聚类中只使用产品标题。

“做作业”：文本预处理

什么是预处理？

文本预处理是指文本在输入到算法之前必须进行的所有调整。

遵循这些文本聚类预处理的步骤

我们对数据进行预处理的步骤如下：

• 首先，我们识别品牌并将它们从标题中移除，这样我们只剩下产品名称。

• 然后，我们删除描述颜色的词，以减少数据的噪音，因为，在这一点上，我们想要根据颜色来分类产品。例如，我们想创建一个类别“黑色匡威全明星鞋 10”和另一个类别“白色匡威全明星鞋 10.5”。

• 之后，我们从标题中删除了数字和度量单位(如果有的话)，因为我们想创建具有非常相似产品的组，比如“Cola 330ml”和“Cola 500ml”。

• 最后，我们对单词进行词干处理，也就是说，去掉单词的后缀以找到一个共同的词根，同时去掉所有的停止词。

• 为了将标题数据输入到算法中，我们将数据转换为向量。为了实现这一点，我们使用了两个不同的向量转换器：CountVectorizer，它创建了只有{0,1}的二进制向量，以及tf-idf 向量转换器，它根据单词在所有向量中的频率为所有单词分配权重。在本例中，我们使用两个向量转换器来找到对我们更有效的那个。

继续：文本聚类

什么是文本聚类？

文本聚类是在未标记的数据中生成组的过程。在大多数聚类技术中，组的数量是由用户预定义的，但是在这种情况下，聚类组的数量必须动态变化。

我们可以有包含单个产品的聚类，也可以有包含 10 个或更多产品的聚类，这个数字取决于我们能找到多少类似的产品。

我们的需求减少了我们的选择。DBSCAN 是一种基于密度的算法，它依赖于向量之间的距离，从而创建组。

DBSCAN 生成的组：

为什么 DBSCAN 不能正确地对数据聚类？

产品的标题是一个很短的句子(1-5 个单词)。然而，我们创建的向量非常大，因为来自数据集中的所有唯一的单词组成了词汇表。词汇表的长度就是向量的长度，因此我们失去了所有的信息。

降维技术，诸如 PCA 和 SVD 之类的不能帮助解决这个问题，因为转换矩阵的每一列都代表一个单词。

因此，当你删除一些列时，你将删除许多产品。

由于现有的解决方案不能正常工作，我们决定构建一个自定义的聚类流程，旨在找到问题的解决方案。

训练向量生成器

当你训练一个向量生成器时，它将学习到给定句子包含的单词。

例如，当被给予““Nike Capri Shoes”时，向量生成器只学习这三个词。这意味着当你对其他产品进行变换时，除了那些包含一个或所有单词的向量，其他变换出来的向量都是 0。

为了找出两个向量有多相似，我们测量它们基于欧氏距离的相似度。要把两个单词归到同一组里，这两个单词之间的相似度必须高于我们的阈值。我们生成的组称为categories。

把我们的数据想象成一大桶产品。categories 是有用的，因为它们创建了包含我们可以处理的相关数据的小桶。

现在，我们通过使用更高的阈值再次运行相同的进程来为每个 bucket 创建子类别，并创建子类别。子类别是我们将使用的最终的组。

换档：提高速度的小窍门

整个过程有点耗时。为了节省时间，我们会进行所有的文本预处理步骤，但是除了向量化。

之后，我们根据标题中包含的单词数对数据进行排序，因此只有一个单词的标题将位于列表的顶部，而单词最多的标题位于列表的底部。

这样，一个词的标题将构成我们的大多数类别，减少我们处理的数据量。

—END—

英文原文：https://medium.com/moosend-engineering-data-science/product-clustering-a-text-clustering-approach-c392c2ef4310