代写ECE 219: Data Mining - Models & Algorithms Winter 2025 Project 3代做Python语言

日期：2025-02-13 05:38

ECE 219:  Data Mining - Models & Algorithms

Winter 2025

Project 3: Recommender Systems

Due Feb 21, 2025 by 11:59 pm

1    Note

In this project, you are provided only with the training subset of the movie dataset. All the  metrics that you will  report  have to  do with validation  performance  as averaged across folds.  For the web10k dataset, you are allowed to directly use the partitioned dataset.

2    Introduction

The increasing importance of the web as a medium for electronic and business transactions and advertisement, and social media has served as a driving force behind the development of recommender systems technology. Among the benefits, recommender systems provide a means to prioritize data for each user from the infinite information available on the internet.  Such systems are critical to ensuring  (among others):   (a) the detection of hate speech,  (b)  user retention on a web service, and (c) fast and high-quality access to relevant information.  An important catalyst is the ease with which the web enables users to provide feedback about a small portion of the web that they traverse.

Such user-driven sparse feedback poses the following challenge in the desing of recommender systems: Can we utilize these sparse user datapoints to infer generalized user interests?

We define some terms:

• The entity to which the recommendation is provided is referred to as the user;

• The product being recommended is an item.

The basic models for recommender systems works with two kinds of data:

A User-Item interactions such as ratings (a user (you) provides ratings about a movie (item));

B Attribute information about the users and items such as textual profiles or relevant key- words (deep representations about a user or item).

Models that use type A data are referred to as collaborative filtering methods, whereas models that use type B data are referred to as content-based methods. In this project, we will build a recommendation system using collaborative filtering methods.

3    Collaborative filtering models

Collaborative filtering models use the collaborative power of established user-item interactions to make recommendations about new user-item interactions.  In this project we use a ratings database where the user is an audience member who viewed a movie, and the item is the movie being rated.

The main challenge in designing collaborative filtering methods is that the underlying rat- ings matrices are sparse.  Consider this example of a movie application in which users specify ratings indicating their like or dislike of specific movies.  Most users would have viewed only a small fraction of the  large universe of available movies and as a result most of the  ratings are unspecified.

The  basic  idea  of  collaborative  filtering  methods  is  that  these  unspeci- fied ratings can be imputed because the observed ratings are often highly correlated across various users and items.

For example, consider two users named John and Molly, who have very similar tastes.  If their respective ratings exist within our database and are very similar, then the media recommended to them should likely be similar as well.

For those few scenarios in which only  John  has rated  a movie  M, the  similarity  across other movies to Molly’s preferences should make clear that Molly might also prefer movie M. Thus, most collaborative filtering methods leverage either inter-item correlations or inter-user correlations for the prediction process.

In this project, we will implement and analyze the performance of two types of collaborative filtering methods:

1. Neighborhood-based collaborative filtering:  Directly leverages the choices of other users to determine potential items to recommend to the current user.

2. Model-based collaborative filtering: Estimates a joint model from all user data, en- abling the generation of new recommendations without accessing the entire user base, and allowing for queries on a more compact model.

4    Dataset

In this project, we will build a recommendation system to predict the ratings of movies in the provided dataset. The dataset can be downloaded here.

For the subsequent discussion, we assume that the ratings matrix is denoted by R (you will have to construct this), and it is an m × n matrix containing m users  (rows) and n movies (columns). The (i,j) entry of the matrix is the rating by user i for movie j and is denoted by rij . Before moving on to the collaborative filter implementation, we will analyze and visualize some properties of this dataset.

QUESTION 1: Explore the Dataset:  In this question, we explore the structure of the data. A Compute the sparsity of the movie rating dataset:

Sparsity = Total number of possible ratings/Total number of available ratings                     (1)

B  Plot a histogram showing the frequency of the rating values:  Bin the raw rating values into intervals of width 0.5 and use the binned rating values as the horizontal axis.  Count the number of entries in the ratings matrix R that fall within each bin and use this count as the height of the vertical axis for that particular bin.  Comment on the shape of the histogram.

C Plot the distribution of the number of ratings received among movies:  The X-axis should be the movie index ordered by decreasing frequency and the Y-axis should be the number of ratings the movie has received; ties can broken in anyway.  A monotonically decreasing trend is expected.

D  Plot the distribution of ratings among users: The X-axis should be the user index ordered by decreasing frequency and the Y-axis should be the number of movies the user has rated. The requirement of the plot is similar to that in Question C.

E  Discuss the salient features of the distributions from Questions C,D and their implications for the recommendation process.

F Compute the variance of the rating values received by each movie:  Bin the variance values into intervals of width 0.5 and use the binned variance values as the horizontal axis. Count the number of movies with variance values in the binned intervals and use this count as the vertical axis.  Briefly comment on the shape of the resulting histogram.

5    Neighborhood-based collaborative filtering

The basic idea in neighborhood-based methods is to use either user-user similarity or item-item similarity to make predictions from a ratings matrix.  There are two basic principles used in neighborhood-based models:

1.  User-based  models:   Similar users have similar ratings on the same item.   Therefore,  if John and Molly have rated movies in a similar way in the past, then one can use John’s observed ratings on the movie  Terminator to predict Molly’s rating on this movie.  Item is kept constant.

2. Item-based models: Similar items are rated in a similar way by the same user. Therefore, John’s ratings on similar science fiction movies like Alien and Predator can be used to predict his rating on Terminator.  User is kept constant.

In this project, we will only implement user-based collaborative filtering (implementation of item-based collaborative filtering is very similar).

5.1    User-based neighborhood models

In this approach, we are trying to find a set of users similar in their rating strategy to a target user.  This results in a user-based neighborhood and we will use the majority vote within the neighborhood to provide recommendations.

In order to determine the neighborhood of the target user u, their similarity to all the other users is computed.  Therefore,  a similarity function needs to be created between each pair of the historical rating patterns - one by each user across the movies. In this project, we will use the Pearson-correlation coefficient to compute this similarity as a correlation.

5.2    Pearson-correlation coefficient

The Pearson-correlation coefficient between users u and v denoted by Pearson(u,v) captures the similarity between the rating vectors of users u and v. First some notation:

• Iu  : Set of item indices for which ratings have been specified by user u;

• Iv  : Set of item indices for which ratings have been specified by user v;

• µu : Mean rating for user u computed using her specified ratings;

• ruk : Rating of user u for item k.

QUESTION 2: Understanding the Pearson Correlation Coefficient: A Write down the formula for µu  in terms of Iu  and ruk ;

B  In plain words, explain the meaning of Iu ∩ Iv .  Can Iu ∩ Iv  = ∅?  (Hint:  Rating  matrix R is sparse)

Then, with the above notation, the Pearson-correlation coefficient between a pair of users u and v is defined by equation 2:

5.3    k-Nearest neighborhood (k-NN)

Having introduced a similarity metric between users (as a correlation coefficient between their ratings across movies), we are now ready to define a neighborhood of users.  The k-Nearest neighbors of user u, denoted by Pu , is the set of k users with the highest Pearson-correlation coefficient with user u (pairwise).

5.4    Prediction function

The predicted rating that user u might award for item j, denoted by ˆ(r)uj , can simply be modeled by equation 3:

 

QUESTION 3: Understanding the Prediction function:  Can you explain the reason behind mean-centering the raw ratings (rvj  − µv ) in the prediction function?  (Hint:  Consider  users who either rate all items highly or rate all items poorly and the impact of these users on the prediction function.)

5.5    k-NN collaborative filter

The previous sections have equipped you with the basics needed to implement a k-NN col- laborative filter for predicting ratings of the movies.  Although  we have provided you with the equations needed to write a function for predicting the ratings, we  don’t require you to write it. Instead, you can use the built-in python functions for prediction.

5.5.1    Design and test via cross-validation

In this part of the project, you will design a k-NN collaborative filter and test its performance via 10-fold cross validation. In a 10-fold cross-validation, the dataset is partitioned into 10 equal sized subsets.  Of the  10 subsets, a single subset is retained as the validation data for testing the filter, and the remaining 9 subsets are used to train the filter.  The cross-validation process is then repeated 10 times, with each of the 10-subsets used exactly once as the validation data.

QUESTION  4: Design a  k-NN collaborative filter to  predict the  ratings of the  movies  in the original dataset and evaluate its performance using 10-fold cross validation.  Sweep k  (number of neighbors) from 2 to 100 in step sizes of 2, and for each k compute the average RMSE and average MAE obtained by averaging the RMSE and MAE across all 10 folds.  Plot average  RMSE (Y-axis) against k (X-axis) and average MAE (Y-axis) against k (X-axis).

The functions that might be useful for solving this question are described in these documen- tations .

Use Pearson-correlation function as the similarity metric. You can read about how to specify the similarity metric in the documentation: http://surprise.readthedocs.io/en/stable/ similarities.html

QUESTION 5: Use the plot from question 4, to find a ’minimum k ’.  Note: The term ’minimum k’ in this context means that increasing k above the minimum value would not result in a significant decrease in average RMSE or average MAE. If you get the plot correct, then ’minimum k’ would correspond to the k value for which average RMSE and average MAE converges to a steady-state value.  Please report the steady state values of average RMSE and average MAE.

5.6    Filter model performance based on subsets of the raw data

In this part of the project, we will analyze the performance of the k-NN collaborative filter in predicting the ratings of the movies in trimmed data subsets.  The subsets can be formed in many ways, but we will consider the following trimming options:

• Popular movie trimming:  In this trimming, we trim the dataset to contain movies that have received more than 2 ratings.  If a movie in the set has received less than or equal to 2 ratings in the entire dataset then we delete that movie from the set and do not train/predict the rating of that movie using the model.

• Unpopular movie trimming:  In this trimming, we trim the dataset to contain movies that have only received less than or equal to 2 ratings. If a movie in the set has received more than 2 ratings in the entire dataset then we delete that movie from the set and do not train/predict the rating of that movie using the model.

• High variance movie trimming: In this trimming, we trim the set to contain movies that have variance  (of the rating values received) of at least 2 and have received at least 5 ratings in the entire dataset.   If  a  movie has variance less than 2 or has received less than 5 ratings in the entire dataset then we delete that movie from the set and do not train/predict the rating of that movie using the model.

Having defined the types of trimming operations above, now we can evaluate the performance of the k-NN filter architecture in predicting the ratings of the movies in the trimmed dataset.

5.6.1    Performance evaluation using ROC curve

Receiver operating characteristic (ROC) curve is a commonly used graphical tool for visualizing the performance of a binary classifier.  It plots the true positive rate  (TPR) against the false positive rate (FPR).

In the context of recommendation systems, it is a measure of the relevance of the items recommended to the user.  Since the observed ratings are in a continuous scale (0-5), so we first need to convert the observed ratings to a binary scale. This can be done by thresholding the observed ratings.  If the observed rating is greater than the threshold value, then we set it to 1 (implies that the user liked the item). If the observed rating is less than the threshold value, then we set it to 0 (implies that the user disliked the item).  After having performed this conversion, we can plot the ROC curve for the recommendation system in a manner analogous to that of a binary classifier.

QUESTION 6: Within EACH of the 3 trimmed subsets in the dataset, design (train and validate):

A k-NN collaborative filter on the ratings of the movies (i.e Popular, Unpopular or High-Variance) and evaluate each of the three models’ performance using 10-fold cross validation:

• Sweep k  (number  of neighbors) from 2 to  100  in  step sizes of 2,  and for each  k  compute the average RMSE obtained by averaging the RMSE across all 10 folds.  Plot average RMSE (Y-axis) against k (X-axis). Also, report the minimum average RMSE.

•  Plot the ROC curves for the k-NN collaborative filters for threshold values [2.5, 3, 3.5, 4].  These thresholds are applied only on the ground truth labels in held-out validation set.  For each of the plots, also report the area under the curve (AUC) value.  You should  have 4 × 4  plots in this section (4 trimming options – including no trimming times 4 thresholds) - all thresholds can be condensed into one plot per trimming option yielding only 4 plots.

We provide you with the following hints:

•  Write trimming function that takes as input the set of data and outputs a trimmed set;

•  For each value of k, split the trimmed dataset into 10 pairs of training and validation sets.

(trainset 1, testset 1), (trainset 2, testset 2), . . . , (trainset 10, testset 10) The following documentation might be useful for the splitting:

http://surprise.readthedocs.io/en/stable/getting_started.html#use-cross-validation-iterators

•  For each pair of (trainset, testset):

–  Train the collaborative filter on the trimmed train set

–  Predict the ratings of the movies in the trimmed validation set using the trained collaborative filter

–  Compute the RMSE of the predictions in the trimmed validation set

•  Compute the average RMSE by averaging across all the 10 folds.

•  For the ROC plotting, split the dataset into 90% for training and 10% for validation.  The functions described in the documentation below might be useful http://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html

6    Model-based collaborative filtering

In model-based collaborative filtering, models are developed using machine learning algorithms to predict users’ rating of unrated items.   Some  examples  of model-based  methods include decision trees, rule-based models, bayesian methods, and latent factor models. In this project, we will explore latent factor based models for collaborative filtering.

6.1    Latent factor based collaborative filtering

Latent factor based models can be considered as a direct method for matrix completion.  It estimates the missing entries of the rating matrix R, to predict what items a user will most probably like other than the ones they have rated.  The basic idea is to exploit the fact that significant portions of the rows and columns of the rating matrix are correlated.  As a result, the data has built-in redundancies and the rating matrix R can be approximated by a low-rank matrix. The low-rank matrix provides a robust estimation of the missing entries.

The method of approximating a matrix by a low-rank matrix is called matrix factorization. The matrix factorization problem in latent factor based model can be formulated as an opti- mization problem given by 4

In the above optimization problem,  U  and  V  are matrices of dimension m × k  and n × k respectively,  where  k  is  the  number  of latent  factors.   However,  in  the  above  setting  it  is assumed that all the entries of the rating matrix R is known, which is not the case with sparse rating matrices. Fortunately, latent factor model can still find the matrices U and V even when the rating matrix R is sparse.  It does it by modifying the cost function to take only known rating values into account. This modification is achieved by defining a weight matrix W in the following manner:

 

Then, we can reformulate the optimization problem as

Since the rating matrix R is sparse, the observed set of ratings is very small.  As a result, it might cause over-fitting.  A common approach to address this problem is to use regulariza- tion. The optimization problem with regularization is given by equation 6. The regularization parameter λ is always non-negative and it controls the weight of the regularization term.

There are many variations to the unconstrained matrix factorization formulation (equation 6) depending on the modification to the objective function and the constraint set.   In this project, we will explore two such variations:

• Non-negative matrix factorization (NMF)

• Matrix factorization with bias (MF with bias)

6.2    Non-negative matrix factorization (NMF)

Non-negative matrix factorization may be used for ratings matrices that are non-negative. As we have seen in the lecture, the major advantage of this method is the high level of inter- pretability it provides in understanding the user-item interactions.  The main difference from other forms of matrix factorization is that the latent factors U and V must be non-negative. Therefore, optimization formulation in non-negative matrix factorization is in 7:

There are many optimization algorithms like stochastic gradient descent (SGD), alternating least-squares (ALS),etc for solving the optimization problem in 7. Since you are familiar with the SGD method, we will not describe it here.  Instead, we will provide the motivation and main idea behind the ALS algorithm.  SGD is very sensitive to initialization and step size.  ALS is less sensitive to initialization and step size, and therefore a more stable algorithm than SGD. ALS also has a faster convergence rate than SGD. The main idea in ALS, is to keep U fixed and then solve for V.  In the next stage, keep V fixed and solve for  U.  In this algorithm, at each stage we are solving a least-squares problem.

Although ALS has a faster convergence rate and is more stable, we will use SGD in this project.  The main reason behind this is based on the fact that the python package that we will be using to design the NMF-based collaborative filter only has the SGD implementation. This choice would have no effect on the performance of the filter designed because both the SGD and ALS converges for the original dataset.  The only downside of using SGD is that it will take a little bit longer to converge, but that will not be a big issue as you will see while designing the NMF filter.

QUESTION 7: Understanding the NMF cost function: Is the optimization problem given by equation 5 convex?  Consider the optimization problem given by equation 5.  For U fixed, formulate it as a least-squares problem.

6.2.1    Prediction function

After we have solved the optimization problem in equation 7 for U and V , then we can use them for predicting the ratings.The predicted rating of user i for item j, denoted by ˆ(r)ij , is given by equation 8

Having covered the basics of matrix factorization, now we are ready to implement a NMF based collaborative filter to predict the ratings of the movies. We have provided you with the necessary background to implement the filter on your own, but we don’t require you to do that. Instead, you can use provided functions in Python for the implementation.

6.2.2    Design and test via cross-validation

In this part, you will design a NMF-based collaborative filter and test its performance via 10-fold cross validation.  Details on  10-fold cross validation have been provided in one of the earlier sections.

QUESTION 8: Designing the NMF Collaborative Filter:

A  Design a  NMF-based collaborative filter to  predict the  ratings of the  movies  in the original dataset  and  evaluate  its  performance  using  10-fold  cross-validation.    Sweep  k  (number of latent factors) from 2 to 50 in step sizes of 2, and for each k compute the average RMSE and average MAE obtained by averaging the RMSE and MAE across all 10 folds.  If NMF takes too long, you can increase the step size.  Increasing it too much will result in poorer granularity in your results.  Plot the average RMSE (Y-axis) against k (X-axis) and the average MAE (Y- axis) against k (X-axis).  For solving this question, use the default value for the regularization parameter.

B  Use the plot from the previous part to find the optimal number of latent factors.   Optimal number  of  latent  factors  is  the  value  of  k  that  gives  the  minimum  average  RMSE  or  the minimum average MAE. Please report the minimum average RMSE and MAE. Is the optimal number of latent factors same as the number of movie genres?

C  Performance  on  trimmed  dataset  subsets:   For  each  of  Popular,  Unpopular  and  High- Variance subsets -

–  Design a NMF collaborative filter for each trimmed subset and evaluate its performance using 10-fold cross validation.  Sweep k (number of latent factors) from 2 to 50 in step sizes of 2, and for each k compute the average RMSE obtained by averaging the RMSE across all 10 folds.

–  Plot average RMSE (Y-axis) against k (X-axis); item Report the minimum average RMSE.

•  Plot the ROC curves for the NMF-based collaborative filter and also report the area under the curve (AUC) value as done in Question 6.

For solving this question, the functions described in the documentation below might be useful: http://surprise.readthedocs.io/ en/stable/matrix_factorization.html

6.2.3    Interpretability of NMF

The major advantage of NMF over other forms of matrix factorization is not necessarily one of accuracy, but that of the high level of interpretability it provides in understanding user-item interactions. In this part of the project, we will explore the interpretability of NMF. Specifically, we will explore the connection between latent factors and movie genres.

QUESTION 9: Interpreting the NMF model:  Perform Non-negative matrix factorization on the ratings matrix R to obtain the factor matrices U and V , where U  represents the user-latent factors interaction and V  represents the movie-latent factors interaction (use k = 20).  For each column of V , sort the movies in descending order and report the genres of the top 10 movies.  Do the top 10 movies belong to a particular or a small collection of genre?  Is there a connection  between the latent factors and the movie genres?

In this question, there will be 20 columns of V and you don’t need to report the top 10 movies and genres for all the 20 columns.  You will get full credit, as long as you report for a couple columns and provide a clear explanation on the connection between movie genres and latent factors.

6.3    Matrix factorization with bias (MF with bias)

In MF with bias, we modify the cost function (equation 6) by adding bias term for each user and item.  With this modification, the optimization formulation of MF with bias is given by equation 9

In the above formulation, bu  is the bias of user u and bi  is the bias of item i, and we jointly optimize over U,V, bu , bi  to find the optimal values.

6.3.1    Prediction function

After we have solved the optimization problem in equation 9 for U,V, bu , bi , then we can use them for predicting the ratings.  The predicted rating of user i for item j, denoted by ˆ(r)ij  is given by equation 10

where µ is the mean of all ratings, bi  is the bias of user i, and bj   is the bias of item j.