Scrapyとscikit-learn、Streamlitで作るかんたん機械学習アプリケーション / Making ML App with Scrapy, scikit-learn, and Streamlit

DeNAのデータサイエンス輪講（DS輪講）での発表内容です。
Scrapyとscikit-learn、Streamlitを使うことで、機械学習を使ったデモアプリをクイックに作ることができます。
ソースコードはGitHubに公開しています。
https://github.com/amaotone/movie-recommendation-demo

Transcript

1. Scrapy と scikit-learn、Streamlit で作る かんたん機械学習アプリケーション 鈴木 天音 @SakuEji DeNA AIシステム部 データサイエンス1G
2. 鈴木天音（すずき あまね） Twitter: @SakuEji Kaggle Master（Kaggle 歴 3 年） 仕事はエネルギー関係の案件をやってます 最近はイベントの運営や講師業も増えてきました
3. ＼今日のゴール／ それっぽい機械学習デモを ぱぱっと作れるようになる
4. 今回の題材 • 映画レコメンドアプリを作る • ざっくり要件 ◦ 自分が好みの映画をいくつか選ぶ ◦ 好みの映画がランキング形式で表示される 4
5. つくるものの全体構成 Scrapyでひっぱってきてモデル作ってStreamlitで可視化！ 5 Scrapy レビューを取得する scikit-learn 推薦モデルを作る Streamlit ガワをつける
6. Scrapyで レビューを取得
7. Scrapyってなに？ • スクレイピングフレームワーク • Python で書かれているスクレイピングツールの中では fat な部類 • 学習コストちょっと重めだけど、こまごました面倒から解放される ◦ ダウンロードはディレイはさむとか ◦ UserAgent に連絡先書くとか ◦ スクレイピングした item に後処理するとか ◦ デバッグ中にリクエスト何回も送るの申し訳ないので cache するとか 7
8. みんなのシネマレビュー* を取得する • 50万件以上のレビューが存在する • 運営主体が企業ではなさそうなので、 スクレイピングの負荷はなるべくかけたくない • レビューに網羅的にアクセスできるページを探す → 今回は「レビュワー名簿」があった 8 * https://www.jtnews.jp/index.html
9. Scrapyの使い方 • Spider というクラスを作る ◦ ウェブを巡回してくれる蜘蛛 • Spider には2種類あるので、状況によって使い分ける 9 Spider 1. パース方法 2. リンクのたどり方 を記述する 自由度が高い CrawlSpider 1. 対象となる URL の正規表現 2. 対応するパース方法 を宣言的に記述する シンプルに書ける ＼便利！／
10. 書いた CrawlSpider • rules に取得する URL と コールバックとなる関数名を書く • パースする関数の中では css 記法や xpath 記法で 要素を取得できる 10
11. item を定義する • 取得したい情報のかたまりを item と呼ぶ • フィールドを定義することで、 ◦ 意図しない要素の混入を防ぐ ◦ 出力時の変換を定義できる • あまりキレイなデータ構造にしようと頑張らず、 出力したいフィールドを愚直に書くのがよい 11
12. Scrapy Shell で動作確認する • 要素が取得できるかインタラクティブに確認可能 • スクレイピングするスクリプトからシェルを起動することも可能 ◦ デバッグに便利 12
13. Item Pipeline で後処理する • item ごとに別ファイルに出力する場合や、 取得した item の後処理などに使う • 右の例では以下を行っている ◦ iteｍ の種類ごとに csv に出力 ◦ 重複した item を削除 13
14. こんな感じの CSV ができました 14 movie.csv user.csv review.csv
15. お行儀よくスクレイピングするために • スクレイピングを禁止する利用規約がないか確認する • robots.txt に従う • 1秒〜5秒、間隔をあけてリクエストを送る • UserAgent に連絡先を入れておく • 開発中はキャッシュを活用する 15 補足だよ！
16. scikit-learnで モデルを作成
17. 本題ではないので、ざざっとやります 1. review.csv から、User × Movie の行列を作る 2. 行列を TruncatedSVD で行列分解 3. n_components を変えて複数モデルを訓練する 4. モデルはそれぞれ joblib.dump で保存する ◦ あとで、モデルを選べるようにします 17
18. Streamlitで ガワをつける
19. Streamlit*ってなに？ • 機械学習アプリのデモをいい感じにつくれるライブラリ • フロントエンドの知識なしで Web アプリを作れる • 使ったときのお手軽感は Jupyter Notebook とかなり似ている 19 *https://www.streamlit.io/
20. こんな感じになりました 20 50行弱書くだけ
21. キャッシュの有効化 • streamlit の基本は上から全実行 ◦ ライブリロードのときも同様 • 関数に @st.cache をつけると キャッシュが有効化される • 重いデータを使う場合も開発 UX を 落とさない 21
22. 進捗に応じて表示を変更 • st.text を変数にもっておき、 あとから書き換えることが可能 22
23. 情報を表示 • st.write が万能 ◦ str, list, dict ◦ pandas DataFrame ◦ matplot のプロット ◦ Markdown ◦ LaTeX の数式　など • ほかにもソースコードや地図などを 表示可能 23
24. フォームから入力する • 各種フォームを一発で作成 ◦ ボタン（st.button） ◦ チェックボックス（st.checkbox） ◦ ラジオボタン（st.radio） ◦ 選択（st.select） ◦ 複数選択（st.multiselect） ◦ スライダー（st.slider） ◦ テキスト（st.text_input）　など • 入力されている値が返り値となるため、 直感的に使用可能 24
25. 映画を選ぶところ 1. movie_id と title の対応辞書を作成 2. st.multiselect で movie_id を複数選択 ◦ format_func には内部で持っている 情報と、選択肢の文字列の対応関数を 渡す 25 実装
26. モデルを選ぶところ 1. ./model ディレクトリに存在する svd_*.pkl というファイル一覧を取得 2. st.radio で択一で選ばせる 3. 選ばれたパスからモデルを読み出す 26 実装
27. 予測結果を表示するところ 1. 好みを表す行列を作る 2. 選ばれた映画に 10 を代入 ◦ 最高点が 10 のため 3. movie という DataFrame に予測結果を 代入 4. movie をスコア順にソート 5. 既に選ばれていない movie を表示 27 実装
28. こんな感じになりました（再掲） 28 50行弱書くだけ
29. まとめ • Scrapy を覚えると ◦ 見通しの良いスクレイピングスクリプトを手軽に書ける ◦ デバッグも簡単 • Streamlit を覚えると ◦ ぐりぐり動かせる Web アプリケーションを手軽に作れる ◦ プロトタイピングに便利 29