第六题协同推荐SlopeOne 算法

来源：互联网发布：windows主进程占用cpu 编辑：程序博客网时间：2024/06/15 18:49

相信大家对如下的Category都很熟悉，很多网站都有类似如下的功能，“商品推荐”,"猜你喜欢“，在实体店中我们有导购来为我们服务，在网络上

我们需要同样的一种替代物，如果简简单单的在数据库里面去捞，去比较，几乎是完成不了的,这时我们就需要一种协同推荐算法，来高效的推荐浏览者喜

欢的商品。

一：概念

SlopeOne的思想很简单，就是用均值化的思想来掩盖个体的打分差异，举个例子说明一下：

在这个图中，系统该如何计算“王五“对”电冰箱“的打分值呢？刚才我们也说了，slopeone是采用均值化的思想,也就是：R_王五 =4-{[(5-10)+(4-5)]/2}=7 。

下面我们看看多于两项的商品，如何计算打分值。

r_b = (n * (r_a - R(_A->B)) + m * (r_c - R(_C->B)))/(m+n)

注意： a,b,c 代表“商品”。

r_a 代表“商品的打分值”。

r_a->b 代表“A组到B组的平均差（均值化）”。

m,n 代表人数。

根据公式，我们来算一下。

r_王五 = (2 * (4 - R(洗衣机->彩电)) + 2 * (10 - R(电冰箱->彩电))+ 2 * (5 - R(空调->彩电)))/(2+2+2)=6.8

是的，slopeOne就是这么简单，实战效果非常不错。

二：实现

1：定义一个评分类Rating。

 1     /// <summary> 2     /// 评分实体类 3     /// </summary> 4     public class Rating 5     { 6         /// <summary> 7         /// 记录差值 8         /// </summary> 9         public float Value { get; set; }10 11         /// <summary>12         /// 记录评分人数，方便公式中的 m 和 n 的值13         /// </summary>14         public int Freq { get; set; }15 16         /// <summary>17         /// 记录打分用户的ID18         /// </summary>19         public HashSet<int> hash_user = new HashSet<int>();20 21         /// <summary>22         /// 平均值23         /// </summary>24         public float AverageValue25         {26             get { return Value / Freq; }27         }28     }

2：定义一个产品类

 1     /// <summary> 2     /// 产品类 3     /// </summary> 4     public class Product 5     { 6         public int ProductID { get; set; } 7  8         public string ProductName { get; set; } 9 10         /// <summary>11         /// 对产品的打分12         /// </summary>13         public float Score { get; set; }14     }

3：SlopeOne类

参考了网络上的例子，将二维矩阵做成线性表，有效的降低了空间复杂度。

  1 using System;  2 using System.Collections.Generic;  3 using System.Linq;  4 using System.Text;  5   6 namespace SupportCenter.Test  7 {  8     #region Slope One 算法  9     /// <summary> 10     /// Slope One 算法 11     /// </summary> 12     public class SlopeOne 13     { 14         /// <summary> 15         /// 评分系统 16         /// </summary> 17         public static Dictionary<int, Product> dicRatingSystem = new Dictionary<int, Product>(); 18  19         public Dictionary<string, Rating> dic_Martix = new Dictionary<string, Rating>(); 20  21         public HashSet<int> hash_items = new HashSet<int>(); 22  23         #region 接收一个用户的打分记录 24         /// <summary> 25         /// 接收一个用户的打分记录 26         /// </summary> 27         /// <param name="userRatings"></param> 28         public void AddUserRatings(IDictionary<int, List<Product>> userRatings) 29         { 30             foreach (var user1 in userRatings) 31             { 32                 //遍历所有的Item 33                 foreach (var item1 in user1.Value) 34                 { 35                     //该产品的编号（具有唯一性） 36                     int item1Id = item1.ProductID; 37  38                     //该项目的评分 39                     float item1Rating = item1.Score; 40  41                     //将产品编号字存放在hash表中 42                     hash_items.Add(item1.ProductID); 43  44                     foreach (var user2 in userRatings) 45                     { 46                         //再次遍历item，用于计算俩俩 Item 之间的差值 47                         foreach (var item2 in user2.Value) 48                         { 49                             //过滤掉同名的项目 50                             if (item2.ProductID <= item1Id) 51                                 continue; 52  53                             //该产品的名字 54                             int item2Id = item2.ProductID; 55  56                             //该项目的评分 57                             float item2Rating = item2.Score; 58  59                             Rating ratingDiff; 60  61                             //用表的形式构建矩阵 62                             var key = Tools.GetKey(item1Id, item2Id); 63  64                             //将俩俩 Item 的差值 存放到 Rating 中 65                             if (dic_Martix.Keys.Contains(key)) 66                                 ratingDiff = dic_Martix[key]; 67                             else 68                             { 69                                 ratingDiff = new Rating(); 70                                 dic_Martix[key] = ratingDiff; 71                             } 72  73                             //方便以后以后userrating的编辑操作，（add) 74                             if (!ratingDiff.hash_user.Contains(user1.Key)) 75                             { 76                                 //value保存差值 77                                 ratingDiff.Value += item1Rating - item2Rating; 78  79                                 //说明计算过一次 80                                 ratingDiff.Freq += 1; 81                             } 82  83                             //记录操作人的ID，方便以后再次添加评分 84                             ratingDiff.hash_user.Add(user1.Key); 85                         } 86                     } 87                 } 88             } 89         } 90         #endregion 91  92         #region 根据矩阵的值，预测出该Rating中的值 93         /// <summary> 94         /// 根据矩阵的值，预测出该Rating中的值 95         /// </summary> 96         /// <param name="userRatings"></param> 97         /// <returns></returns> 98         public IDictionary<int, float> Predict(List<Product> userRatings) 99         {100             Dictionary<int, float> predictions = new Dictionary<int, float>();101 102             var productIDs = userRatings.Select(i => i.ProductID).ToList();103 104             //循环遍历_Items中所有的Items105             foreach (var itemId in this.hash_items)106             {107                 //过滤掉不需要计算的产品编号108                 if (productIDs.Contains(itemId))109                     continue;110 111                 Rating itemRating = new Rating();112 113                 // 内层遍历userRatings114                 foreach (var userRating in userRatings)115                 {116                     if (userRating.ProductID == itemId)117                         continue;118 119                     int inputItemId = userRating.ProductID;120 121                     //获取该key对应项目的两组AVG的值122                     var key = Tools.GetKey(itemId, inputItemId);123 124                     if (dic_Martix.Keys.Contains(key))125                     {126                         Rating diff = dic_Martix[key];127 128                         //关键点：运用公式求解（这边为了节省空间，对角线两侧的值呈现奇函数的特性）129                         itemRating.Value += diff.Freq * (userRating.Score + diff.AverageValue * ((itemId < inputItemId) ? 1 : -1));130 131                         //关键点：运用公式求解 累计每两组的人数132                         itemRating.Freq += diff.Freq;133                     }134                 }135 136                 predictions.Add(itemId, itemRating.AverageValue);137             }138 139             return predictions;140         }141         #endregion142     }143     #endregion144 145     #region 工具类146     /// <summary>147     /// 工具类148     /// </summary>149     public class Tools150     {151         public static string GetKey(int Item1Id, int Item2Id)152         {153             return (Item1Id < Item2Id) ? Item1Id + "->" + Item2Id : Item2Id + "->" + Item1Id;154         }155     }156     #endregion157 }

4: 测试类Program

这里我们灌入了userid=1000，2000，3000的这三个人，然后我们预测userID=3000这个人对 “彩电” 的打分会是多少？

 1     public class Program 2     { 3         static void Main(string[] args) 4         { 5             SlopeOne test = new SlopeOne(); 6  7             Dictionary<int, List<Product>> userRating = new Dictionary<int, List<Product>>(); 8  9             //第一位用户10             List<Product> list = new List<Product>()11             {12                 new Product(){ ProductID=1, ProductName="洗衣机",Score=5},13                 new Product(){ ProductID=2, ProductName="电冰箱", Score=10},14                 new Product(){ ProductID=3, ProductName="彩电", Score=10},15                 new Product(){ ProductID=4, ProductName="空调", Score=5},16             };17 18             userRating.Add(1000, list);19 20             test.AddUserRatings(userRating);21 22             userRating.Clear();23             userRating.Add(1000, list);24 25             test.AddUserRatings(userRating);26 27             //第二位用户28             list = new List<Product>()29             {30                 new Product(){ ProductID=1, ProductName="洗衣机",Score=4},31                 new Product(){ ProductID=2, ProductName="电冰箱", Score=5},32                 new Product(){ ProductID=3, ProductName="彩电", Score=4},33                  new Product(){ ProductID=4, ProductName="空调", Score=10},34             };35 36             userRating.Clear();37             userRating.Add(2000, list);38 39             test.AddUserRatings(userRating);40 41             //第三位用户42             list = new List<Product>()43             {44                 new Product(){ ProductID=1, ProductName="洗衣机", Score=4},45                 new Product(){ ProductID=2, ProductName="电冰箱", Score=10},46                 new Product(){ ProductID=4, ProductName="空调", Score=5},47             };48 49             userRating.Clear();50             userRating.Add(3000, list);51 52             test.AddUserRatings(userRating);53 54             //那么我们预测userID=3000这个人对 “彩电” 的打分会是多少？55             var userID = userRating.Keys.FirstOrDefault();56             var result = userRating[userID];57 58             var predictions = test.Predict(result);59 60             foreach (var rating in predictions)61                 Console.WriteLine("ProductID= " + rating.Key + " Rating: " + rating.Value);62         }63     }

0 0

第六题 协同推荐SlopeOne 算法

第六题协同推荐SlopeOne 算法