python Item_CF

#coding:utf-8import math"""Item_CF基于物品的协同过滤算法，该算法给用户推荐那些和他们之前喜欢物品相似的物品。比如：该算法会因为你购买过《JAVA编程思想》而给你推荐《JAVA核心技术》。物品A和物品B具有很大的相似度是因为喜欢物品A的用户大都也喜欢物品B"""#定义基于物品的协同过滤算法类class ItemBasedCF:    #初始化对象    def __init__(self,train_file,test_file):        #训练数据        self.train_file = train_file        #测试数据        self.test_file = test_file        #读取数据        self.readData()        #数据读取函数    def readData(self):        #读取文件，并生成用户-物品的评分表和测试集        #用户-物品的评分表        #训练集        self.train = dict()             #打开文件，按行读取训练数据        for line in open(self.train_file):            #获得用户、物品、评分数据，丢弃时间戳数据            user,item,score,_ = line.strip().split("\t")            #用户-物品评分矩阵            self.train.setdefault(user,{})            #分数赋值            self.train[user][item] = int(score)            #测试集        self.test = dict()              #打开文件，按行读取训练数据        for line in open(self.test_file):            #获得用户、物品、评分数据，丢弃时间戳数据            user,item,score,_ = line.strip().split("\t")            #用户-物品评分矩阵            self.test.setdefault(user,{})            #分数赋值            self.test[user][item] = int(score)    #物品间相似度    def ItemSimilarity(self):        #建立物品-物品的共现矩阵        C = dict()  #物品-物品的共现矩阵        N = dict()  #物品被多少个不同用户购买        #遍历训练数据，获得用户对有过行为的物品        for user,items in self.train.items():            #遍历该用户每件物品项            for i in items.keys():                #该物品被用户购买计数加1                N.setdefault(i,0)                N[i] += 1                #物品-物品的共现矩阵数据加1                C.setdefault(i,{})                #遍历该用户每件物品项                for j in items.keys():                    #若该项为当前物品，跳过                    if i == j : continue                    #同一个用户下，其他物品项                    #遍历到其他不同物品则加1                    #初始化为0                    C[i].setdefault(j,0)                    #加1                    C[i][j] += 1        #计算相似度矩阵        #计算物品-物品相似度，余弦相似度        self.W = dict()        #遍历物品-物品共现矩阵的所有项，        #每行物品、该行下的其他物品        for i,related_items in C.items():            #存放物品间相似度            self.W.setdefault(i,{})            #遍历其他每一个物品及对应的同现矩阵的值，即分子部分            for j,cij in related_items.items():                #余弦相似度                self.W[i][j] = cij / (math.sqrt(N[i] * N[j]))                #返回物品相似度        return self.W    #给用户user推荐，前K个相关用户喜欢的，    #用户user未产生过行为的物品    #默认3个用户，推荐10个物品    def Recommend(self,user,K=3,N=10):        #用户user对物品的偏好值        rank = dict()        #用户user产生过行为的物品项item和评分        action_item = self.train[user]          #找用户user产生过行为的物品item，        #与物品item按相似度从大到小进行排列        #取与物品item相似度最大的K个物品        for item,score in action_item.items():            #遍历与物品item最相似的前K个物品，获得这些物品及相似分数            for j,wj in sorted(self.W[item].items(),key=lambda x:x[1],reverse=True)[0:K]:                #若该物品当前物品，跳过                if j in action_item.keys():                    continue                #计算用户user对物品i的偏好值                #初始化该值为0                rank.setdefault(j,0)                #通过与其相似物品对物品i的偏好值相乘并相加                rank[j] += score * wj        #按评分值大小，为用户user推荐结果的取前N个物品        return dict(sorted(rank.items(),key=lambda x:x[1],reverse=True)[0:N])if __name__ == '__main__':    cf  =  ItemBasedCF('u.data','u.data')    cf.ItemSimilarity()    print cf.Recommend('3')