推荐系统2

谁借莪１个温暖的怀抱￠ 2023-10-07 14:57 1阅读 0赞

## 推荐系统|协同过滤： ##

#### 文章目录 ####

*  推荐系统|协同过滤：
 *  
 *  1.相似性度量
 *  2.基于用户的协同过滤
 *  3.基于用户的协同过滤
 *  4.算法的适用性

--------------------

##  ##

## 1.相似性度量 ##

--------------------

余弦相似度 余弦相似度衡量了两个向量的夹角，夹角越小越相似。

from sklearn.metrics.pairwise import cosine_distances
    i = [1,0,0,0]
    j = [1,0.5,0.5,0]
    print(cosine_distances([i,j]))

--------------------

皮尔逊相关系数

from scipy.stats import pearsonr
    i = [1,0,0,0]
    j = [1,0.5,0.5,0]
    print(pearsonr(i,j))

## 2.基于用户的协同过滤 ##

--------------------

![在这里插入图片描述][20201022190224264.png_pic_center]UserCF算法主要包括两个步骤：

1.  找到和目标用户兴趣相似的集合
2.  找到这个集合中的用户喜欢的， 且目标用户没有听说过的物品推荐给目标用户。

![在这里插入图片描述][20201023204823868.png_pic_center]  
主要点：  
1.DataFrame的创建；  
2.列表List的添加；  
3.sort\_values进行排序；  
4.index 和 values 的使用  
5.列表推导式的使用

import pandas as pd
    import numpy as np
    # 定义数据集， 也就是那个表格， 注意这里我们采用字典存放数据， 因为实际情况中数据是非常稀疏的， 很少有情况是现在这样
    def loadData():
        items={
        'A': {
        1: 5, 2: 3, 3: 4, 4: 3, 5: 1},
               'B': {
        1: 3, 2: 1, 3: 3, 4: 3, 5: 5},
               'C': {
        1: 4, 2: 2, 3: 4, 4: 1, 5: 5},
               'D': {
        1: 4, 2: 3, 3: 3, 4: 5, 5: 2},
               'E': {
        2: 3, 3: 5, 4: 4, 5: 1}
              }
        users={
        1: {
        'A': 5, 'B': 3, 'C': 4, 'D': 4},
               2: {
        'A': 3, 'B': 1, 'C': 2, 'D': 3, 'E': 3},
               3: {
        'A': 4, 'B': 3, 'C': 4, 'D': 3, 'E': 5},
               4: {
        'A': 3, 'B': 3, 'C': 1, 'D': 5, 'E': 4},
               5: {
        'A': 1, 'B': 5, 'C': 5, 'D': 2, 'E': 1}
              }
        return items,users
    
    
    # 导入数据
    items,users = loadData()
    items_df = pd.DataFrame(items).T
    users_df = pd.DataFrame(users).T
    
    # 计算用户相似性矩阵
    simlarity_matrix = pd.DataFrame(np.zeros((len(users),len(users))),index=[1,2,3,4,5],columns=[1,2,3,4,5])
    for userID in users:
        for otheruserID in users:
            vec_user = []
            vec_otheruser = []
            if userID != otheruserID:
                for itemsID in items:
                    # 为一个字典，每条数据为所有用户对当前物品的评分
                    item_rate = items[itemsID]
                    if userID in item_rate and otheruserID in item_rate:
                        vec_user.append(item_rate[userID])
                        vec_otheruser.append(item_rate[otheruserID])
                # 这里可以获得相似性矩阵（共现矩阵）
                simlarity_matrix[userID][otheruserID] = np.corrcoef(np.array(vec_user),np.array(vec_otheruser))[1][0]
                #simlarity_matrix[userID][otheruserID] = cosine_similarity(np.array(vec_user),np.array(vec_otheruser))
    print(simlarity_matrix)
    
    '''计算前N个相似的用户'''
    n = 2
    simlarity_user = simlarity_matrix[1].sort_values(ascending=False).index.tolist()[:2]
    print(simlarity_user)
    
    '''计算最终得分'''
    user_tar_ave = np.mean([values for values in users[1].values()])
    fenzi = 0
    fenmu = 0
    for user in simlarity_user:
        user_ave = np.mean([values for values in users[user].values()])
        user_score = users[user]['E']
        fenzi = fenzi + (user_score - user_ave)*simlarity_matrix[1][user]
        fenmu = fenmu + simlarity_matrix[1][user]
    final_score = user_tar_ave + fenzi/fenmu
    users_df.loc[1]['E']=final_score
    print(users_df)

## 3.基于用户的协同过滤 ##

--------------------

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1BpcmVsZXk_size_16_color_FFFFFF_t_70_pic_center]1. 计算物品之间的相似度  
2. 根据物品的相似度和用户的历史行为给用户生成推荐列表（购买了该商品的用户也经常购买的其他商品

import pandas as pd
    import numpy as np
    # 定义数据集， 也就是那个表格， 注意这里我们采用字典存放数据， 因为实际情况中数据是非常稀疏的， 很少有情况是现在这样
    def loadData():
        items={
        'A': {
        1: 5, 2: 3, 3: 4, 4: 3, 5: 1},
               'B': {
        1: 3, 2: 1, 3: 3, 4: 3, 5: 5},
               'C': {
        1: 4, 2: 2, 3: 4, 4: 1, 5: 5},
               'D': {
        1: 4, 2: 3, 3: 3, 4: 5, 5: 2},
               'E': {
        2: 3, 3: 5, 4: 4, 5: 1}
              }
        users={
        1: {
        'A': 5, 'B': 3, 'C': 4, 'D': 4},
               2: {
        'A': 3, 'B': 1, 'C': 2, 'D': 3, 'E': 3},
               3: {
        'A': 4, 'B': 3, 'C': 4, 'D': 3, 'E': 5},
               4: {
        'A': 3, 'B': 3, 'C': 1, 'D': 5, 'E': 4},
               5: {
        'A': 1, 'B': 5, 'C': 5, 'D': 2, 'E': 1}
              }
        return items,users
    
    
    # 导入数据
    items,users = loadData()
    items_df = pd.DataFrame(items).T
    users_df = pd.DataFrame(users).T
    
    # 计算物品的相似性
    simlarity_matrix = pd.DataFrame(np.zeros((len(items),len(items))),index=['A','B','C','D','E'],columns=['A','B','C','D','E'])
    for items_ID in items:
        for otheritems_ID in items:
            items_gra = []
            otheritems_gra = []
            if items_ID != otheritems_ID:
                for users_ID in users:
                    items_user = users[users_ID]
                    if items_ID in items_user and otheritems_ID in items_user:
                        items_gra.append(items_user[items_ID])
                        otheritems_gra.append(items_user[otheritems_ID])
            #print(items_gra)
            #print(otheritems_gra)
                simlarity_matrix[items_ID][otheritems_ID] = np.corrcoef(np.array(items_gra),np.array(otheritems_gra))[0][1]
    print(simlarity_matrix)
    
    
    '''计算前N个相似的物品'''
    n = 2
    simlarity_items = simlarity_matrix['E'].sort_values(ascending=False).index.tolist()[:2]
    print(simlarity_items)
    
    '''计算最终得分'''
    base_score = np.mean(np.array([i for i in items['E'].values()]))
    fenzi = 0
    fenmu = 0
    for item in simlarity_items:
        item_ave = np.mean(np.array([i for i in items[item].values()]))
        alice_gra = users[1][item]
        fenzi = fenzi + simlarity_matrix['E'][item]*(alice_gra - item_ave)
        fenmu = fenmu + simlarity_matrix['E'][item]
    alice_E = base_score +fenzi / fenmu
    print(alice_E)
    items['E'][1] = alice_E
    print(pd.DataFrame(items).T)

## 4.算法的适用性 ##

--------------------

1.  UserCF  
    由于是基于用户相似度进行推荐，所以具备更强的社交特性，这样的特点非常适于用户少，物品多，时效性较强的场合，比如新闻推荐场景，因为新闻本身兴趣点分散，相比用户对不同新闻的兴趣偏好， 新闻的及时性，热点性往往更加重要，所以正好适用于发现热点，跟踪热点的趋势。另外还具有推荐新信息的能力，更有可能发现惊喜, 因为看的是人与人的相似性, 推出来的结果可能更有惊喜，可以发现用户潜在但自己尚未察觉的兴趣爱好。对于用户较少，要求时效性较强的场合，就可以考虑UserCF。
2.  ItemCF  
    这个更适用于兴趣变化较为稳定的应用，更接近于个性化的推荐，适合物品少，用户多，用户兴趣固定持久，物品更新速度不是太快的场合，比如推荐艺术品，音乐，电影。

[20201022190224264.png_pic_center]: https://img-blog.csdnimg.cn/20201022190224264.png#pic_center
[20201023204823868.png_pic_center]: https://img-blog.csdnimg.cn/20201023204823868.png#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1BpcmVsZXk_size_16_color_FFFFFF_t_70_pic_center]: https://img-blog.csdnimg.cn/20201023210654216.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1BpcmVsZXk=,size_16,color_FFFFFF,t_70#pic_center