การสร้างระบบแนะนำ (Recommendation System) ด้วย Python

ระบบแนะนำ (Recommendation System) เป็นหนึ่งในเทคโนโลยีที่สำคัญที่ใช้ในการให้คำแนะนำเกี่ยวกับสินค้าหรือบริการที่น่าจะสนใจแก่ผู้ใช้ เช่น ระบบแนะนำสินค้าของ Amazon, ระบบแนะนำหนังใน Netflix, หรือแม้แต่การแนะนำเพลงใน Spotify

ในการสร้างระบบแนะนำที่ง่ายที่สุด เราสามารถใช้ Collaborative Filtering ซึ่งสามารถแบ่งออกเป็น 2 ประเภทหลักๆ คือ:

1. User-based Collaborative Filtering: การแนะนำสิ่งที่ผู้ใช้อื่น ๆ ที่มีความชอบคล้ายกันได้เลือก
2. Item-based Collaborative Filtering: การแนะนำสิ่งที่คล้ายกับสิ่งที่ผู้ใช้ได้เลือกในอดีต

ในบทความนี้เราจะมาทำความเข้าใจการสร้าง Item-based Collaborative Filtering โดยใช้ข้อมูลจากการซื้อสินค้าของผู้ใช้ เพื่อแนะนำสินค้าที่คล้ายคลึงกัน

ขั้นตอนที่ 1: เตรียมข้อมูล

สำหรับตัวอย่างนี้ เราจะใช้ข้อมูลการซื้อสินค้าของผู้ใช้ โดยสมมุติว่าเรามีข้อมูลที่บันทึกการซื้อสินค้าในรูปแบบ user-item matrix ซึ่งผู้ใช้แต่ละคนมีการซื้อสินค้าหลาย ๆ ชิ้น ข้อมูลนี้จะถูกแสดงเป็น Matrix ที่ผู้ใช้แต่ละคนจะมีค่าคะแนนหรือการซื้อสินค้า

ตัวอย่างข้อมูล:

User \ Item	Item 1	Item 2	Item 3	Item 4	Item 5
User 1	5	0	4	0	1
User 2	4	0	0	2	4
User 3	0	3	4	0	0
User 4	2	5	0	0	3
User 5	1	0	4	5	0

ขั้นตอนที่ 2: สร้าง Matrix Similarity

จากข้อมูลข้างต้น เราสามารถใช้ Cosine Similarity ในการคำนวณความคล้ายคลึงกันระหว่างสินค้าต่างๆ ได้

ขั้นตอนที่ 3: สร้างระบบแนะนำ

ในการสร้างระบบแนะนำ เราจะใช้ Cosine Similarity เพื่อคำนวณความคล้ายคลึงกันระหว่างสินค้าต่างๆ และใช้ผลลัพธ์นี้ในการแนะนำสินค้าต่อไป

ตัวอย่างโค้ด:

import pandas as pd
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

# ข้อมูลการซื้อสินค้า (User-Item Matrix)
data = {
    'Item 1': [5, 4, 0, 2, 1],
    'Item 2': [0, 0, 3, 5, 0],
    'Item 3': [4, 0, 4, 0, 4],
    'Item 4': [0, 2, 0, 0, 5],
    'Item 5': [1, 4, 0, 3, 0]
}

# สร้าง DataFrame
df = pd.DataFrame(data, index=['User 1', 'User 2', 'User 3', 'User 4', 'User 5'])

# คำนวณ Cosine Similarity ระหว่างสินค้าทั้งหมด
similarity_matrix = cosine_similarity(df.T)

# สร้าง DataFrame ของผลลัพธ์ความคล้ายคลึง
similarity_df = pd.DataFrame(similarity_matrix, index=df.columns, columns=df.columns)

# แสดงความคล้ายคลึงระหว่างสินค้า
print("Cosine Similarity Matrix:")
print(similarity_df)

# ฟังก์ชันสำหรับแนะนำสินค้าที่คล้ายกัน
def recommend_items(item_name, similarity_df, top_n=3):
    similar_items = similarity_df[item_name].sort_values(ascending=False)[1:top_n+1]
    return similar_items

# ทดสอบการแนะนำสินค้า
item_to_recommend = 'Item 1'
recommended_items = recommend_items(item_to_recommend, similarity_df)
print(f"\nสินค้าที่คล้ายกับ {item_to_recommend}:")
print(recommended_items)

Code language: Python (python)

คำอธิบายโค้ด:

1. ข้อมูล: ข้อมูลการซื้อสินค้าถูกเก็บไว้ใน DataFrame ของ Pandas โดยแต่ละแถวแทนผู้ใช้และแต่ละคอลัมน์แทนสินค้าที่พวกเขาซื้อ
2. Cosine Similarity: ใช้ cosine_similarity จาก sklearn เพื่อคำนวณความคล้ายคลึงกันระหว่างสินค้าต่าง ๆ
3. ฟังก์ชันแนะนำสินค้า: ฟังก์ชัน recommend_items() ใช้ผลลัพธ์จาก cosine_similarity เพื่อแนะนำสินค้าที่คล้ายกับสินค้าที่ผู้ใช้สนใจ

ขั้นตอนที่ 4: ผลลัพธ์

จากโค้ดข้างต้น เราจะได้ Cosine Similarity Matrix ที่แสดงความคล้ายคลึงกันระหว่างสินค้าต่าง ๆ และจากนั้นระบบจะแนะนำสินค้าที่คล้ายกับสินค้า Item 1 เช่น:

Cosine Similarity Matrix:
           Item 1   Item 2   Item 3   Item 4   Item 5
Item 1  1.000000  0.073513  0.742440  0.174078  0.677280
Item 2  0.073513  1.000000  0.080623  0.618118  0.209602
Item 3  0.742440  0.080623  1.000000  0.328989  0.943919
Item 4  0.174078  0.618118  0.328989  1.000000  0.610122
Item 5  0.677280  0.209602  0.943919  0.610122  1.000000

สินค้าที่คล้ายกับ Item 1:
Item 3    0.742440
Item 5    0.677280
Item 4    0.174078

Code language: CSS (css)

ในที่นี้ ระบบแนะนำว่า Item 3 , Item 5 และ Item 4 เป็นสินค้าที่คล้ายกับ Item 1

สรุป

ในบทความนี้เราได้เรียนรู้วิธีการสร้างระบบแนะนำแบบง่าย ๆ ด้วย Python โดยใช้ Collaborative Filtering และ Cosine Similarity เพื่อแนะนำสินค้าที่คล้ายคลึงกันให้กับผู้ใช้ ซึ่งเป็นเทคนิคที่ใช้ได้ดีในหลายๆ แพลตฟอร์ม เช่น ระบบแนะนำสินค้าของร้านค้าออนไลน์ หรือการแนะนำเนื้อหาต่างๆ ในแอปพลิเคชันต่างๆ

ทีมงานพร้อมให้คำปรึกษาและพัฒนาซอฟต์แวร์