协作型过滤应用——提供推荐
来源:互联网 发布:免费网络名片在线制作 编辑:程序博客网 时间:2024/05/16 09:35
一、准备数据
critics={'Lisa Rose': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.5, 'Just My Luck': 3.0, 'Superman Returns': 3.5, 'You, Me and Dupree': 2.5, 'The Night Listener': 3.0},'Gene Seymour': {'Lady in the Water': 3.0, 'Snakes on a Plane': 3.5, 'Just My Luck': 1.5, 'Superman Returns': 5.0, 'The Night Listener': 3.0, 'You, Me and Dupree': 3.5},'Michael Phillips': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.0, 'Superman Returns': 3.5, 'The Night Listener': 4.0},'Claudia Puig': {'Snakes on a Plane': 3.5, 'Just My Luck': 3.0, 'The Night Listener': 4.5, 'Superman Returns': 4.0, 'You, Me and Dupree': 2.5},'Mick LaSalle': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'Just My Luck': 2.0, 'Superman Returns': 3.0, 'The Night Listener': 3.0, 'You, Me and Dupree': 2.0},'Jack Matthews': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'The Night Listener': 3.0, 'Superman Returns': 5.0, 'You, Me and Dupree': 3.5},'Toby': {'Snakes on a Plane':4.5,'You, Me and Dupree':1.0,'Superman Returns':4.0}}
二、相似度评价方法
#计算两个向量的欧氏距离来评价用户的相似度def sim_distance(prefs,person1,person2): si={} for item in prefs[person1]: if item in prefs[person2]: si[item]=1 if len(si)==0: return 0 sum_of_squares=sum([pow(prefs[person1][item]-prefs[person2][item],2) for item in si]) return 1/(1+sqrt(sum_of_squares))#使得越相似,距离越近,评价指数越高#计算两个向量的皮尔逊相关系数,数值越大,相似度越高def sim_pearson(prefs,person1,person2): si={} for item in prefs[person1]: if item in prefs[person2]: si[item]=1 n=len(si) if n==0: return 1 sum1=sum([prefs[person1][it] for it in si]) sum2=sum([prefs[person2][it] for it in si]) sum1sq=sum([pow(prefs[person1][it],2) for it in si]) sum2sq=sum([pow(prefs[person2][it],2) for it in si]) pSum=sum([prefs[person1][it]*prefs[person2][it] for it in si]) num=pSum-(sum1*sum2/n) den=sqrt((sum1sq-pow(sum1,2)/n)*(sum2sq-pow(sum2,2)/n)) if den==0: return 0 r=num/den return r#返回相似度最高的前n个向量def topMatches(prefs,person,n=5,similarity=sim_pearson): scores=[(similarity(prefs,person,other),other) for other in prefs if other!=person] scores.sort() scores.reverse() return scores[0:n]
三、根据相似度评价加权推荐
#根据用户的相似度来加权电影评分进行推荐def getRecommendations(prefs,person,similarity=sim_pearson): totals={} simSums={} for other in prefs: if other==person: continue sim=similarity(prefs,person,other)#得到相似度评价值 if sim<=0: continue for item in prefs[other]: if item not in prefs[person] or prefs[person][item]==0: totals.setdefault(item,0) totals[item]+=prefs[other][item]*sim#用相似度加权评分 simSums.setdefault(item,0) simSums[item]+=sim rankings=[(total/simSums[item],item) for item,total in totals.items()] rankings.sort() rankings.reverse() return rankings#返回排好序的推荐列表#将数据中人和电影的位置互换,可以根据电影的相似度来推荐品味相似的用户def transformPrefs(prefs): result={} for person in prefs: for item in prefs[person]: result.setdefault(item,{}) result[item][person]=prefs[person][item] return result
四、测试
print(topMatches(critics,'Toby',n=3))print(getRecommendations(critics,'Toby'))print(getRecommendations(critics,'Toby',similarity=sim_distance))movies=transformPrefs(critics)print(topMatches(movies,'Superman Returns'))print(getRecommendations(movies,'Just My Luck'))print(getRecommendations(movies,'Just My Luck',similarity=sim_distance))
结果输出
[(0.9912407071619299, 'Lisa Rose'), (0.9244734516419049, 'Mick LaSalle'), (0.8934051474415647, 'Claudia Puig')][(3.3477895267131013, 'The Night Listener'), (2.832549918264162, 'Lady in the Water'), (2.530980703765565, 'Just My Luck')][(3.4571286944914235, 'The Night Listener'), (2.778584003814924, 'Lady in the Water'), (2.422482042361917, 'Just My Luck')][(0.6579516949597695, 'You, Me and Dupree'), (0.4879500364742689, 'Lady in the Water'), (0.11180339887498941, 'Snakes on a Plane'), (-0.1798471947990544, 'The Night Listener'), (-0.42289003161103106, 'Just My Luck')][(4.0, 'Michael Phillips'), (3.0, 'Jack Matthews')][(3.5810970647618663, 'Jack Matthews'), (3.2059731906295044, 'Michael Phillips'), (2.936629402844435, 'Toby')]
0 0
- 协作型过滤应用——提供推荐
- [翻译+笔记]推荐算法之协作过滤
- 机器学习 — 提供推荐
- 机器学习 — 提供推荐
- 《集体智慧编中文版》读书笔记——第二章:协作型过滤
- 推荐算法—协同过滤
- 推荐系统与协作过滤面临的主要问题
- 基于物品的协作型过滤
- 集体智慧编程——提供推荐
- 基于用户的协作性过滤推荐系统(为用户推荐影片)
- 基于物品的协作性过滤推荐系统(为用户推荐影片)
- 推荐系统——协调过滤
- 推荐系统——协同过滤学习
- 推荐系统简介——基于协同过滤的推荐
- 推荐系统简介——基于协同过滤的推荐
- 基于用户的协同过滤推荐—实现电影推荐
- 基于用户的协作性过滤推荐系统(找出相似的电影)
- 综合用户特征及专家信任的协作过滤推荐算法
- 没有时间看MOOC怎么办?
- 我已经是一只废桔了(素数筛选+二分查找)
- 基于TI-RTOS的CC2650DK开发(13)---门
- Hbase葱岭探秘--过滤器Api
- 在Mac系统上配置Android真机调试环境
- 协作型过滤应用——提供推荐
- 自定义viewgroup(3)--可滚动,但是超过边界会回弹
- 用栈和队列实现回文判断
- 七大排序算法代码
- Redis 单机性能测试
- Android动画
- 一道苹果公司的面试题
- string compare用法
- Apache Commons-logging使用实例