日萌社

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）

2.8 文章相似度增量更新

学习目标

• 目标
  • 知道文章向量计算方式
  • 了解Word2Vec模型原理
  • 知道文章相似度计算方式
• 应用
  • 应用Spark完成文章相似度计算

2.8.1 增量更新需求

每天、每小时都会有大量的新文章过来，当后端审核通过一篇文章之后，我们推荐给用户后，一旦发生点击行为了，就会有相应相似文章计算需求。没有选择去在线计算中处理，新文章来了之后立即推荐召回给用用户，这样增加新文章推荐曝光的比例，达到一定速度的曝光。在线需要用用到离线仓库中部分数据，所以速度会受影响。

• 设计：
  • 按照之前增量更新文章画像那样的频率，按小时更新增量文章的相似文章
• 如何更新：
  • 批量新文章，需要与历史数据进行相似度计算

2.8.2 增量更新文章向量与相似度

• 目标：对每次新增的文章，计算完画像后，计算向量，在进行与历史文章相似度计算
• 步骤:
  • 1、新文章数据，按照频道去计算文章所在频道的相似度
  • 2、求出新文章向量，保存
  • 3、BucketedRandomProjectionLSH计算相似度

完整代码：

    def compute_article_similar(self, articleProfile):"""计算增量文章与历史文章的相似度 word2vec:return:"""# 得到要更新的新文章通道类别(不采用)# all_channel = set(articleProfile.rdd.map(lambda x: x.channel_id).collect())def avg(row):x = 0for v in row.vectors:x += v#  将平均向量作为article的向量return row.article_id, row.channel_id, x / len(row.vectors)for channel_id, channel_name in CHANNEL_INFO.items():profile = articleProfile.filter('channel_id = {}'.format(channel_id))wv_model = Word2VecModel.load("hdfs://hadoop-master:9000/headlines/models/channel_%d_%s.word2vec" % (channel_id, channel_name))vectors = wv_model.getVectors()# 计算向量profile.registerTempTable("incremental")articleKeywordsWeights = ua.spark.sql("select article_id, channel_id, keyword, weight from incremental LATERAL VIEW explode(keywords) AS keyword, weight where channel_id=%d" % channel_id)articleKeywordsWeightsAndVectors = articleKeywordsWeights.join(vectors,vectors.word == articleKeywordsWeights.keyword, "inner")articleKeywordVectors = articleKeywordsWeightsAndVectors.rdd.map(lambda r: (r.article_id, r.channel_id, r.keyword, r.weight * r.vector)).toDF(["article_id", "channel_id", "keyword", "weightingVector"])articleKeywordVectors.registerTempTable("tempTable")articleVector = self.spark.sql("select article_id, min(channel_id) channel_id, collect_set(weightingVector) vectors from tempTable group by article_id").rdd.map(avg).toDF(["article_id", "channel_id", "articleVector"])# 写入数据库def toArray(row):return row.article_id, row.channel_id, [float(i) for i in row.articleVector.toArray()]articleVector = articleVector.rdd.map(toArray).toDF(['article_id', 'channel_id', 'articleVector'])articleVector.write.insertInto("article_vector")import gcdel wv_modeldel vectorsdel articleKeywordsWeightsdel articleKeywordsWeightsAndVectorsdel articleKeywordVectorsgc.collect()# 得到历史数据, 转换成固定格式使用LSH进行求相似train = self.spark.sql("select * from article_vector where channel_id=%d" % channel_id)def _array_to_vector(row):return row.article_id, Vectors.dense(row.articleVector)train = train.rdd.map(_array_to_vector).toDF(['article_id', 'articleVector'])test = articleVector.rdd.map(_array_to_vector).toDF(['article_id', 'articleVector'])brp = BucketedRandomProjectionLSH(inputCol='articleVector', outputCol='hashes', seed=12345,bucketLength=1.0)model = brp.fit(train)similar = model.approxSimilarityJoin(test, train, 2.0, distCol='EuclideanDistance')def save_hbase(partition):import happybasefor row in partition:pool = happybase.ConnectionPool(size=3, host='hadoop-master')# article_similar article_id similar:article_id simwith pool.connection() as conn:table = connection.table("article_similar")for row in partition:if row.datasetA.article_id == row.datasetB.article_id:passelse:table.put(str(row.datasetA.article_id).encode(),{b"similar:%d" % row.datasetB.article_id: b"%0.4f" % row.EuclideanDistance})conn.close()similar.foreachPartition(save_hbase)

添加函数到update_article.py文件中，修改update更新代码

ua = UpdateArticle()
sentence_df = ua.merge_article_data()
if sentence_df.rdd.collect():rank, idf = ua.generate_article_label(sentence_df)articleProfile = ua.get_article_profile(rank, idf)ua.compute_article_similar(articleProfile)