ivi在线电影博客上有关于Hydra推荐系统体系结构的大量文章。 但是，建议不仅是外部API，而且还是“隐藏在内部”并实现非常复杂的业务逻辑的算法。
在本文中，我将讨论“冷启动”内容的问题。 如果您有兴趣了解我们如何推荐最近添加到目录中的内容，而又无法获得用户的反馈，欢迎加入cat。
本文将包含使用Keras的Python代码的可复制示例。
内容冷启动：问题陈述
建议如何工作？ 大致如下：
我们使用以下管道作为建议：
- 以用户内容矩阵的形式加载内容视图统计信息
- 应用机器学习魔术盒
- 在目录的每个单元的框的出口处显示
- 我们使用内容功能进行推荐
可以在此存储库
github.com/ivi-ru/hydra中找到冷启动模型训练管道的所有阶段。
我们使用隐式库获取内容特征，如下所示
train_model.pyimport implicit import numpy as np from scipy.sparse import load_npz
如何推荐最近在服务中出现的内容？ 这样的内容将没有视图（或视图将很少）-这意味着在机器学习的魔力之列中，此类内容将没有任何功能，并且不会出现在用户推荐中。 顺便说一下，我们基于用户-内容交互获得的功能称为协作。
因此，我们遇到了一个冷门的问题：我们如何推荐没有用户反馈的内容？ 例如，可以将新内容混合到随机输出中，然后等待直到收集到“有机”视图为止。
另一个选择是建立一个可以预测“冷”内容特征的模型。
我们决定走第二条路，那就是我们来的地方
冷启动1.0
为了解决冷启动的问题，例如，我们预先了解了有关新内容的内容功能，从而为我们提供了帮助
- 人员：导演，编剧，演员
- 内容类型：动作，喜剧等
- 类别：长片，卡通，纪录片
- 编辑器标签
编辑标签是对内容的简短描述，形式是有限（通常几百个）特征集。 以下是一组Beaver Zombie内容标签
首先，我们解决了冷启动问题，如下所示：
- 对于每个“冷”内容，请通过标签尽可能擦拭
- 具有类似内容的协作功能
- 冷内容的协作特征是其“热”邻居特征的平均值
在python中，它看起来像这样 for row in new_items_neighbors: neighbors_als_indices = row.neighbors_ids[:self.cold_start_neighbors_count] neighbors_average_factors = item_factors[neighbors_als_indices].mean(axis=0)
这种方法
以某种方式有效 ，但是有两个缺点：
- 扩展性弱：例如，很难在模型上添加海报的相似性
- 没有人能保证标签特征相似的内容具有ALS功能的相似性，没有这一点，使用平均值看起来就很奇怪
我们意识到您不能再这样生活了，因此提出了一个更加透明和可扩展的模型。
重构冷启动模型
代替使用启发式算法（如求平均值）来计算ALS内容特征，我们可以训练一个神经网络来预测协作内容特征-例如，通过编辑器标签。 类似的模型已经
在Habr的网站上闪过 ，在Yandex之前，
Spotify音乐服务商谈论了类似的模型
模型原型代码可
从ivi存储库中获得 ，冷启动的神经网络如下：
cold_start_model.py def _get_model(self, dims: List[int]) -> Sequential: model = Sequential() model.add( Dense( units=dims[1], activation='linear', input_dim=dims[0], kernel_initializer=WeightInitializer.custom_normal, bias_initializer='zeros' ) ) model.compile( loss=lambda y_true, y_pred: K.sum(K.square(y_pred - y_true), axis=-1), optimizer=optimizers.Adam(lr=self.learning_rate, decay=self.decay) ) return model
实施此实验时遇到了什么困难？
- 事实证明，训练网络非常困难：要素是一口气编码的，并且由于输入层的尺寸较大，网络的训练也很差。 我必须仔细选择功能，最后只使用类别，类型，然后使用tf-idf从编辑器标签中选择最“重要”的功能
- 使用pipenv软件包管理器安装Keras的麻烦：python，环境不行，我必须完成Keras没有与之交朋友的第三方maxvolpy软件包
实验结果
结果，我们减少了新功能的使用，开发人员花了大约100个小时冲刺了两次冲刺，这是在项目中使用神经网络的第一次体验。 这次的分布如下：
- 60小时阅读文章和原型开发
- 30小时将原型集成到项目代码库中
- 部署新模型需要10个小时-由于我们的特定依赖关系（例如maxvolpy），将Keras拖入python环境并非如此简单
我们有进行进一步实验的空间-使用神经网络不仅可以让您学习编辑器标签，还可以学习其他功能：图片，脚本，用户评论，素材等。