最近有開發者自制了一套圖書推薦系統，使用Word2Vec算法將書目表示為向量，可以同時獲得幾種書籍的推薦結果，并獲得書籍的TSNE圖及相似度最高的推薦。圖書數據來自GoodReads上的評價最高的前10000本書。開發者表示，采用較小的batchsize和長度可變的窗口可提升推薦相似度。

近日，有開發人員自制了一套圖書推薦系統，使用Word2Vec算法將書目表示為向量，可以同時獲得幾種書籍的推薦，并獲得書籍的TSNE圖以及相似度最高的推薦信息。訓練數據來自GoodReads上的評價最高的前10000本書。

作者將這一系統在Reddit論壇上進行了算法介紹和推薦效果圖分享，引發廣泛討論。我們不妨來看看這個自制薦書系統是怎么做的。

以下是作者自己給出的系統展示和介紹，最后是技術實現環節的相關討論。

下面的圖片來自兩個2D TSNE生成的圖書嵌入圖。第一部分是數據中最常出現的3000本書的TNSE（已經過10000本書的數據訓練），第二部分是全部10000本書的TSNE。

我做了兩個TSNE圖，因為隨著書籍書目的增加，推薦的準確度趨于下降，所以我想查看最常出現的書籍的分布圖，然后再處理其余的書。

首先最常出現的3000本書的TSNE圖，先給出幾個局部放大圖，最后放上全圖。

下圖為作于最近30-40年間的奇幻/古典奇幻類書

中間的部分大部分是漫畫書，周圍是一些科學類書籍

宇宙科幻類：

喜劇類（主要是電視劇）

全圖

然后是全部10000本書的TSNE圖，同樣先給出幾個局部圖，最后是全圖。

歷史類書籍。圖左半部為美國史，右半部為世界通史

宇宙史和起源理論

兒童經典書目

食品科學和新聞類

Word2Vec薦書系統的技術實現

下面是一些技術上的實現要點，對機器學習感興趣的小伙伴們可以關注一下。

1、使用較小的batch size

訓練中使用batch size較小（32和64）對于確保所有書籍向量的穩健性非常重要。在更高的batch size（128、256和512）下，大多數向量具有相當的相似性，但似乎總是有一些書的向量不具備相似性。

以《哈利·波特》2-7部的推薦結果為例，如果直接查看數據，很容易知道與這些書相似度最高的書應該是該系列中的其他《哈利·波特》書，但最初推薦模型給出的相似圖書結果并非如此。但是，在把batch size設置為64后，推薦結果的相似度很快得到明顯改善。

由于平均窗口大小為112，并在20到200之間變化（取決于用戶閱讀的書籍數量），因此像《哈利·波特》這樣的系列叢書中的一些書，很可能會與其他書籍匹配為相似了。

假設某系列叢書中共有7本書，并且用戶對所有7本書都進行了評分，該用戶還評價了112本其他書，那么，其中一本《哈利·波特》書與另一本《哈利·波特》在該用戶的標簽下實現配對的概率是6/112。

在這種情況下，由于word2vec試圖一次性優化多個嵌入，因此對于窗口大小很小且恒定的情況，更高的batch size會比word2vec算法的應用對結果優化造成更加明顯的阻礙。

2、Softmax嵌入向量算術

到目前為止，上面的所有矢量算術示例都是我在書籍輸入嵌入上執行加法和/或減法，然后針對softmax嵌入對結果矢量執行相似性結果的情況。比結果向量與輸入嵌入進行比較要穩健得多。

3、可變長度窗口（VLW）

最初的Word2Vec Cbow算法使用固定的窗口大小的單詞用作特定目標的輸入。比如，如果窗口大小是目標詞左側和右側的2個單詞，那么在這句“The cat in the hat”中，如果目標詞（標簽）是“in”，那么單詞'The '，'cat'，'the'和'hat'將各自向量進行平均，并將得到的結果向量作為輸入。

而在這個薦書系統中，窗口大小不可能是固定的。對于特定數據點（輸入），由用戶輸入的所有對全部書籍的評價都可能作為潛在的輸入，而且每個用戶瀏覽過的書籍數量彼此存在很大差異，因此窗口大小不可能恒定。

盡管窗口大小不是恒定的，但是平均輸入向量的數量是保持不變的。所有提供的數據都使用兩個平均向量作為輸入，這樣向量的算術屬性的穩健性是最高的。改變輸入平均向量的數量，在相似性推薦屬性方面并沒有表現出明顯優勢。