来自：数据工程师成长之路

作者：清雨影 

链接：www.cnblogs.com/TsingJyujing/p/6549780.html

前言

最近迷上了看黄片（大雾）。每次总是去搜索想看的片子，什么asian porn anal pussy 什么的我都不知道。

搜索着搜索着我手也累了，而且我喜欢的片子也是有一定的特征的，我不想把所有的时间花费在重复劳动上，于是决定让机器帮我……找出喜欢的片子。

（所有代码都在Github上了，文中不放出全部代码了，实在太冗长了）
代码在此：https://github.com/TsingJyujing/xhamster_analysis
我连表结构（CREATE TABLE的SQL语句）都放上去了啊同志们！！！所以我打这么厚的马赛克你么你也得原谅我啊！！！！

主要的代码是这个：

https://github.com/TsingJyujing/xhamster_analysis/blob/master/PornDataAnalysis.ipynb

PS：最近准备找新东家，有没有公司愿意养我这个喜欢喝咖啡的老不正经，我保证用从硬到软的强大的原型开发能力给你一个HUG。

简历见：https://github.com/TsingJyujing/Resume/blob/master/README.md

原始数据的采集

首先是原始数据的收集，我随机收集了大约30万部片子，包括标签，下载链接，标题，时长，好评率等等。

使用的代码是这个：https://github.com/TsingJyujing/DataSpider
自己写的一个数据获取的API，xhamster也是好脾气，我爬取的过程中并没有遭到限速或者封IP之类的问题。关于爬虫的编写，在这里不是重点，可以回去自己补设计模式和并发的课。

数据的预处理

首先最重要的是我为300~400部电影打了分，打分的方式是建立一个django网站，随机抽取一些片子，显示其预览图并且给我打分的选项，源代码也已经公开了。说实话，打分完成以后看太阳都是绿色的……

评分依据当然是根据个人的喜好，比如我对平刘海有着深刻的好感，没有平刘海简直就不是女生（逃
为了让机器知道我喜欢那些电影，以后自动帮我下载（误
我需要让机器学习一下我的癖好，就根据网站上的标签（我简称之为Tag，其实是Categories，否则打字太痛苦了）

Logistic Regression进行影片分类

原理不明的可以看这两篇：

https://zhuanlan.zhihu.com/p/20511129
https://zhuanlan.zhihu.com/p/20545718

下面是用Logistic Regression对性癖进行学习，使用了sklearn中的LogisticRegressionCV（带交叉验证的Logistic回归） 我特地没有考虑时间因子，因为实际验证的时候，因为有些片子的时间有错误，有的长达十几个小时，导致推荐的都是这些乱七八糟的影片。

短时间的视频大多数都是渣渣，但是长时间的也未必好看，我不如去掉这个因子让它不再干扰我。 虽然使用时间能达到更高的精度，但是却和"学习性癖"这个主题背道而驰了，最终的效果也并不理想。

import sklearn.linear_model   regr = sklearn.linear_model.LogisticRegressionCV(       Cs=60, fit_intercept=True, cv=4, dual=False,        penalty='l2', scoring=None, solver='lbfgs', tol=0.0001,        max_iter=1000, class_weight=None, n_jobs=1, verbose=1)   regr.fit(Xt_train, y_train>-0.5)   y_train_predict = regr.predict(Xt_train)   y_test_predict = regr.predict(Xt_test)   y_train_real = np.reshape(y_train>-0.5,y_train_predict.shape)   y_test_real = np.reshape(y_test>-0.5,y_test_predict.shape)   # 输出报告   from sklearn import metrics   print('------------ACCURACY-------------')   print "Train accuracy: %f%%" % (sum(y_train_predict==y_train_real)*100.0/len(y_train_real))   print "Test accuracy: %f%%" % (sum(y_test_predict==y_test_real)*100.0/len(y_test_real))
						

输出：

------------ACCURACY-------------      Train accuracy: 68.211921%      Test accuracy: 70.886076%
					

还可以，说实话，数据噪声比较大，能做到这样我已经比较欣慰了。回头用CNN带图像的时候争取做到95%+

线性的Logistic回归有很好的可解释性，让我们来看一下究竟是哪些标签让我着迷呢？

我们输出对正负分别贡献最大的N个标签：

index = np.argsort(regr.coef_[0])   tag_sorted = []   for i in index:       tag_sorted.append(tag_list[i])   # 显示对分类有正贡献的词汇和负贡献的词汇   N = 20   print "Positive top N words:",",".join(tag_sorted[-N:])   print "Negative top N words:",",".join(tag_sorted[:N])
						

输出：

Positive top N words: Fucking,Porno Vrai,Blowjobs,German,Shaved,French,Young Masturbating,Masturbating,Chubby,Sexy Latina,Fisting and Squirting,Teens,Gangbang,Pussy Fucking,Muscular Women,Double Penetration,Hardcore,Creampie,Japanese,Anal   Negative top N words: Amateur,Close-ups,Throat Fuck,Big Dick,Bisexuals,Sexy Horny,Flashing,Outdoor,Hidden Cams,Public Nudity,Redheads,Wife,Sofia Gucci,Anal Fuck,Granny,Cock Suckers,Student,Oral,Mexican,Private
					

（好吧我觉得我暴露了）

Logistic模型实战用于影片推荐

虽然后来又试了SVR或者Lasso等回归方法来推荐，但是最后还是选择了Logistic回归为我的影片进行打分。

下面是用训练好的Logistic模型为我爬虫爬到的所有电影打分，并且我使用了一个django网站来显示这些影片的预览，来看看和我的喜好是否相符合。

我可以对推荐的视频进行打分，打分多了以后可以重新学习，提高系统精度。
我们来看一下机器给我的30W个视频打分的分布：（0最低，1最高）

我们可以看到，高于0.5分（分类界）的视频少之又少，说明这个网站整体质量欠佳（至少对我而言），但是不乏也有一些金矿可以开发。

附录们

附录：评分的分布

可以看到我打分是偏低的，并不是说我是一个严格的评分者，而是网站并不很对我胃口。

最后我以-0.5为分界线作为正样本和负样本的标签依据。

附录：播放时间的统计分析

数据下载到本地的数据库以后（本文使用的是PostgreSQL数据库）随后我对这30万个数据进行了初步的分析：

首先查看播放时间的分布：

[F,x,p]=hist(Tall,bins=35)   xlabel('Time(s)')   ylabel('Frequency')
					

我们发现聚集在0附近的比较多，而且播放时间都是大于0的（这算常识了） 我们再统计一下log(T)的分布：

[F,x,p]=hist(np.log10(Tall),bins=50,normed=True,histtype='stepfilled',alpha=0.35)xlabel('log_10(Time(s))')ylabel('Frequency')
					

可以看到现在的分布比较好看了，也具有更"好"的性质了（其实就是长的像正态，至于是不是正态应该qqplot一下）

import pylab    import scipy.stats as stats   stats.probplot(np.log10(Tall).reshape((len(Tall),)), dist="norm", plot=pylab)   pylab.show()
					

可以看到，还是基本符合正态分布的。但是最后的分析并没有用到时间，原因有说明。