🌍 第18课：上下文推荐

🎯 学习目标

🗂️ 课程定位

📖 核心理论

上下文推荐（Context-Aware Recommendation）利用用户所处的上下文环境（时间、地点、设备、天气等）来调整推荐策略。同一用户在不同上下文下的需求可能完全不同。

📐 数学公式

💻 代码实现

import numpy as np
np.random.seed(42)
print("="*60+"\n上下文推荐系统\n"+"="*60)
n_samples=500;n_features=6;n_context=4
# 生成带上下文的数据
# 特征:[用户特征2,物品特征2,上下文特征2]
user_feat=np.random.randn(n_samples,2)
item_feat=np.random.randn(n_samples,2)
time_feat=np.random.choice(4,n_samples)  # 0=早,1=午,2=晚,3=夜
device_feat=np.random.choice(2,n_samples)  # 0=PC,1=移动
# 上下文影响交互
context_effect=np.array([0.5,0.8,1.2,0.3])  # 时段权重
device_effect=np.array([1.0,0.7])  # 设备权重
true_w=np.random.randn(n_features)
y=np.zeros(n_samples)
for i in range(n_samples):
    base=user_feat[i]@true_w[:2]+item_feat[i]@true_w[2:4]
    ctx=context_effect[time_feat[i]]+device_effect[device_feat[i]]
    y[i]=base+ctx+np.random.randn()*0.3
y=(y>np.median(y)).astype(float)
print(f"样本:{n_samples} 正例率:{y.mean():.2%}")
print(f"时段分布:{dict(zip(*np.unique(time_feat,return_counts=True)))}")
print(f"设备分布:{dict(zip(*np.unique(device_feat,return_counts=True)))}")
# 无上下文基线
X_base=np.column_stack([user_feat,item_feat])
def sigmoid(x):return 1/(1+np.exp(-np.clip(x,-500,500)))
def train_lr(X,y,lr=0.01,epochs=100):
    n,d=X.shape;w=np.zeros(d);b=0
    for ep in range(epochs):
        pred=sigmoid(X@w+b);err=pred-y
        w-=lr*(X.T@err/n+0.01*w);b-=lr*np.mean(err)
    return w,b
w_base,b_base=train_lr(X_base,y)
pred_base=sigmoid(X_base@w_base+b_base)
acc_base=np.mean((pred_base>0.5)==y)
auc_base=np.mean(pred_base[y==1]>pred_base[y==0])
print(f"\n无上下文基线:ACC={acc_base:.4f} AUC={auc_base:.4f}")
# 上下文增强
time_onehot=np.zeros((n_samples,4))
for i in range(n_samples):time_onehot[i,time_feat[i]]=1
device_onehot=np.zeros((n_samples,2))
for i in range(n_samples):device_onehot[i,device_feat[i]]=1
X_ctx=np.column_stack([user_feat,item_feat,time_onehot,device_onehot])
w_ctx,b_ctx=train_lr(X_ctx,y)
pred_ctx=sigmoid(X_ctx@w_ctx+b_ctx)
acc_ctx=np.mean((pred_ctx>0.5)==y)
auc_ctx=np.mean(pred_ctx[y==1]>pred_ctx[y==0])
print(f"上下文增强:ACC={acc_ctx:.4f} AUC={auc_ctx:.4f}")
# 交叉特征
print("\n--- 上下文交叉特征 ---")
cross_feats=[]
for i in range(2):
    for j in range(4):
        cross_feats.append(user_feat[:,i]*time_onehot[:,j])
for i in range(2):
    for j in range(2):
        cross_feats.append(item_feat[:,i]*device_onehot[:,j])
X_cross=np.column_stack([X_ctx]+cross_feats)
w_cross,b_cross=train_lr(X_cross,y,lr=0.005)
pred_cross=sigmoid(X_cross@w_cross+b_cross)
acc_cross=np.mean((pred_cross>0.5)==y)
auc_cross=np.mean(pred_cross[y==1]>pred_cross[y==0])
print(f"交叉特征:ACC={acc_cross:.4f} AUC={auc_cross:.4f}")
# 时段效果分析
print("\n时段效果分析:")
for t in range(4):
    mask=time_feat==t
    t_acc=np.mean((pred_ctx[mask]>0.5)==y[mask])
    t_auc=np.mean(pred_ctx[mask&y.astype(bool)]>pred_ctx[mask&~y.astype(bool)])if mask.sum()>0 else 0
    print(f"  时段{t}:样本数={mask.sum()} ACC={t_acc:.4f}")
# 对比
print(f"\n{'方法':<15}{'ACC':<10}{'AUC':<10}")
print("-"*35)
print(f"{'无上下文':<15}{acc_base:<10.4f}{auc_base:<10.4f}")
print(f"{'+上下文':<15}{acc_ctx:<10.4f}{auc_ctx:<10.4f}")
print(f"{'+交叉特征':<15}{acc_cross:<10.4f}{auc_cross:<10.4f}")

🔴 运行结果

✅ 验证通过

🔍 代码解读

💡 关键洞察

📝 本章小结

🧪 练习

📚 延伸阅读

💼 面试考点

🏭 工业案例