1、提供推荐 Python代码

深碍√TFBOYSˉ_ 2022-08-20 12:27 85阅读 0赞

推荐系统：

类似淘宝根据你买过或者浏览过的东西，自动推荐你一些商品。

我们要做的是两种推荐：

一、基于用户过滤

（1）要收集不同人的偏好，以电影为例——建立一个字典，里面包含用户、用户看的电影和看完电影后打分的数据。可以根据对相同电影得分情况的类似程度来说明用户之间的相似性。

（2）计算用户之间相似度，下面是两个相似度度量价值的方法：欧几里得距离和皮尔逊相关度

（3）

二、基于物品过滤

#coding=utf-8
 #加载这个文件可以在import recommendations和import distance,每次修改后用reload(recommendations),reload(distance)
 from math import sqrt
 
 
 #欧几里得距离
 def distance(prefs,person1,person2):
 # 得到shared_items的列表
 si={}
 for item in prefs[person1]: 
 if item in prefs[person2]: si[item]=1
 
 
 # 如果两者没有共同之处，则返回0
 if len(si)==0: return 0
 # 计算所以差值的平方和
 a=0
 for item in prefs[person1]: 
 if item in prefs[person2]: 
 a=a+pow(prefs[person1][item]-prefs[person2][item],2)
 
 
 return 1/(1+sqrt(a))

\#计算皮尔逊相关系数

#计算皮尔逊相关系数
 from math import sqrt
 #返回p1和p2的皮尔逊相关系数
 def sim_pearson(prefs,p1,p2):
 #得到双方都评价过的物品列表
 si={}
 for movie in prefs[p1]:
 if movie in prefs[p2]:si[movie]=1
 #得到列表元素的个数
 n=len(si)
 #如果两者没有共同之处，则返回1
 if n==0:return 1
 #对所以偏好求和
 sum1=0
 sum2=0
 sum1sq=0
 sum2sq=0
 psum=0
 for movie in si:
 sum1=sum1+prefs[p1][movie] #对x求和
 sum2=sum2+prefs[p2][movie] #对y求和
 #求平方和
 for movie in si:
 sum1sq=sum1sq+pow(prefs[p1][movie],2) #对x^2求和
 sum2sq=sum2sq+pow(prefs[p2][movie],2) #对y^2求和
 for movie in si:
 psum=psum+prefs[p1][movie]*prefs[p2][movie] #对x*y求和
 
 #计算皮尔逊评价值 
 shang=psum-(sum1*sum2/n)
 xia=sqrt((sum1sq-pow(sum1,2)/n)*(sum2sq-pow(sum2,2)/n))
 
 final=shang/xia
 
 return final

\#输出相关度较高的前几个人

</pre><pre name="code" class="python">#返回结果的个数和相似度函数均为可选函数，这里选择了皮尔逊相关系数 
 def topmatches1(prefs,person,n=5,similarity=sim_pearson):
 scores=[]
 for other in prefs:
 if other!=person:
 scores.append([similarity(prefs,person,other),other])#scores是一个列表，第一个是分数，第二个是人名
 #列表添加要用.append

#对列表进行排序，评价者最高者排在最前面
        scores.sort()#排序从小到大
        scores.reverse()#翻转，从大到小
        return scores[0:n]

\#输出电影的评分，按顺序推荐电影给我

def getRecommendations(prefs,person,similarity=sim_pearson):
 totals={}
 simSums={}
 rankings=[]
 for other in prefs:
 if other==person: continue#不和自己比较
 sim=similarity(prefs,person,other)#相似度计算
 
 if sim<=0: continue
 
 for item in prefs[other]:
 if item not in prefs[person] or prefs[person][item]==0:#person没看过这个电影或打分为0
 totals.setdefault(item,0)#相当于C中的a=0
 totals[item]=totals[item]+sim*prefs[other][item]#相似度和打分乘积
 
 simSums.setdefault(item,0)
 simSums[item]=simSums[item]+sim#相似度之和
 #注意下面这部分是不在上面循环里的，应该放最外面
 for item in totals:
 rankings.append([totals[item]/simSums[item],item])
 
 rankings.sort()
 rankings.reverse()
 return rankings

\#重新建立一个字典，将电影和人名对调

#装换key1,key2 
    def transformPrefs(prefs):
        result={}
        for person in prefs:
            for item in prefs[person]:
                result.setdefault(item,{})#把item键对应的值设为一个空的字典，先建立第一级的key
                result[item][person]=prefs[person][item]#将人和电影对调，把person作为第二级的key，同时赋值
        return result

1.我是一个人，O是另外一个人  
这个人和我很像，我们都给电影A打高分，都给电影B打低分。  
这个人还看过【我没看过的】CDEF电影，那么，我根据这个人的口味 给我推荐电影

\-  
2.我是一个电影，△是另外一个电影  
我们两部电影很像，有许多人，给这个电影打高分的同时都给另一个电影△打高分。  
那么，将看相似度高的电影△的人推荐给这部电影

\#构造物品比较数据集  
def calculateSimilarItems(prefs,n=10):\#建立字典，给出与这些物品最为相似的所有其他物品  
result=\{\}  
itemPrefs=transformPrefs(prefs)\#以物品为中心对偏好矩阵实施倒置处理  
c=0  
for item in itemPrefs:\#正对大数据集分心状态变量  
c+=1  
if c%100==0:print "%d / %d" % (c,len(itemPrefs))  
scores=topmatches1(itemPrefs,item,n=n,similarity=distance)\#寻找最为相近的物品  
result\[item\]=scores  
return result  
  
\#获得推荐  
def getRecommendedItems(prefs,itemMatch,user):  
userRatings=prefs\[user\]  
scores=\{\}  
totalSim=\{\}  
\# 循环遍历由当前用户评分的物品  
for (item,rating) in userRatings.items( ):  
  
  
\# 循环遍历与当前物品相近的物品  
for (similarity,item2) in itemMatch\[item\]:  
  
  
\# 如果该用户已经对当前物品做过评价，则将其忽略  
if item2 in userRatings: continue  
\#评价值与相似度的加权之和  
scores.setdefault(item2,0)  
scores\[item2\]+=similarity\*rating  
\# 全部相似度之和  
totalSim.setdefault(item2,0)  
totalSim\[item2\]+=similarity  
  
  
\# 将每个合计值除以加权和，求出平均值  
rankings=\[(score/totalSim\[item\],item) for item,score in scores.items( )\]  
  
  
\# 按最高到最低的顺序，返回评分结果  
rankings.sort( )  
rankings.reverse( )  
return rankings