python UserBasedCF

<pre name="code" class="python">import math"""UserBasedCF是基于用户协同过滤算法，是用户对项目的历史偏好，发掘用户之间的相关性步骤：     1、找到和目标用户兴趣相似的用户集合 2、找到这个集合中的用户喜欢的，且目标用户没有的物品推荐给目标用户"""#定义基于用户的协同过滤算法类class UserBasedCF:    #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，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)    #用户间相似度    def UserSimilarity(self):        #建立物品-用户的倒排表#数据格式：key:物品 value:用户1，用户2        self.item_users = dict()#遍历训练集中用户-物品数据        for user,items in self.train.items():    #遍历用户对应的物品数据            for i in items.keys():    #倒排表还没有该物品                if i not in self.item_users:    #倒排表中该物品项赋值为set()集合                    self.item_users[i] = set()#倒排表中该物品项添加该用户                self.item_users[i].add(user)        #计算用户-用户相关性矩阵        C = dict()  #用户-用户共现矩阵(某用户,与其他用户出现交集的个数)        N = dict()  #用户产生行为的物品个数（不同用户的物品个数）#遍历物品-用户的倒排表，取得物品-用户数据        for i,users in self.item_users.items():#遍历物品i下的用户            for u in users:    #初始化用户产生行为的物品个数0                N.setdefault(u,0)#遍历到该用户加1                N[u] += 1#用户-用户共现矩阵初始化                C.setdefault(u,{})#遍历该物品下所有的用户                for v in users:    #若该项为当前用户，跳过                    if u == v:continue#遍历到其他不同用户则加1                    #初始化为0                    C[u].setdefault(v,0)#加1                    C[u][v] += 1        #计算用户-用户相似度，余弦相似度        self.W = dict()      #相似度矩阵#遍历用户-用户共现矩阵的所有项，#每行用户、该行下的其他用户        for u,related_users in C.items():    #存放用户间相似度            self.W.setdefault(u,{})#遍历其他每一个用户及对应的同现矩阵的值，即分子部分            for v,cuv in related_users.items():    #余弦相似度                self.W[u][v] = cuv / math.sqrt(N[u] * N[v])#返回用户相似度        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        action_item = self.train[user].keys()           #对用户user按相似度从大到小进行排列#取与用户user相似度最大的K个用户        for v,wuv in sorted(self.W[user].items(),key=lambda x:x[1],reverse=True)[0:K]:            #遍历前K个与user最相关的用户#遍历每件物品、用户对该物品的偏好值            for i,rvi in self.train[v].items():    #若用户user对物品i已有评价，则跳过                if i in action_item:                    continue#计算用户user对物品i的偏好值                #初始化该值为0                rank.setdefault(i,0)#通过与其相似用户对物品i的偏好值相乘并相加                rank[i] += wuv * rvi#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  =  UserBasedCF('u.data','u.data')    cf.UserSimilarity()    print cf.Recommend('3')