隐式Python库的空白结果

Question

我正在使用Python隐式库（https://github.com/benfred/implicit），希望为我的用户群生成一些产品建议。我的用户群中有13000个产品视图的数据。我将这些数据提取到一个csv中，如下所示：

user_id, 1, 2, 3
1, 0, 1, 0
2, 1, 1, 0
3, 0, 0, 1

上面我的csv在顶部有产品id，在左边有用户id，这是行中第一列的内容。每个用户的1或0反映用户是否查看了该产品id。以下是我迄今为止尝试生成推荐的代码：

import implicit
import pandas as pd
import scipy.sparse as sparse

data = pd.read_csv('data/interactions_matrix.csv')
interactions = sparse.csr_matrix(data.to_sparse().to_coo())

# initialize a model
model = implicit.als.AlternatingLeastSquares()

# train the model on a sparse matrix of item/user/confidence weights
model.fit(interactions)

user_ids = [1,2,3]

# recommend items for a user
for user_id in user_ids:
    print(user_id)
    print(model.recommend(user_id, interactions))

不幸的是，当我运行结果时，我得到的只是一堆空白数组，这让我觉得我在做一些明显错误的事情。我猜这是我导入的数据的格式，但是我很难找到有关示例数据格式的信息来读入库中。你知道吗

Answer 1

当像这样加载数据时，您的交互矩阵仍然为每个项/用户对都有一个条目-对于这个库，这表示每个用户都喜欢每个项。默认情况下，recommende调用删除已经喜欢的项（使用filter\u already\u liked\u items参数），导致结果像您看到的那样是空数组-但这也意味着您训练的模型也不会有任何效果。你知道吗

在拟合模型之前，应该调用interactions.eliminate_zeros()删除零项。另外，与其使用CSV格式的密集矩阵并转换为coo，只列出itemid/userid/value的三元组可能更容易