from numpy import *
from numpy import linalg as la
# 載入資料 (使用者-菜餚矩陣)
# 行為 使用者, 列為希餚, 表示使用者對某個菜餚的評分
def loadexdata2():
return[[0, 0, 0, 0, 0, 4, 0, 0, 0, 0, 5],
[0, 0, 0, 3, 0, 4, 0, 0, 0, 0, 3],
[0, 0, 0, 0, 4, 0, 0, 1, 0, 4, 0],
[3, 3, 4, 0, 0, 0, 0, 2, 2, 0, 0],
[5, 4, 5, 0, 0, 0, 0, 5, 5, 0, 0],
[0, 0, 0, 0, 5, 0, 1, 0, 0, 5, 0],
[4, 3, 4, 0, 0, 0, 0, 5, 5, 0, 1],
[0, 0, 0, 4, 0, 4, 0, 0, 0, 0, 4],
[0, 0, 0, 2, 0, 2, 5, 0, 0, 1, 2],
[0, 0, 0, 0, 5, 0, 0, 0, 0, 4, 0],
[1, 0, 0, 0, 0, 0, 0, 1, 2, 0, 0]]
# 計算兩個評分的歐氏距離
def esclidsim(ina,inb):
if len(ina)<3:
return 1.0
return 1.0/(1.0+la.norm(ina-inb))
# 計算兩個評分的 皮爾遜相關係數 (pearson correlation)
def pearssim(ina,inb):
if len(ina)<3:
return 1.0
return 0.5+0.5*corrcoef(ina.inb)[0][1]
# 計算兩個評分的余弦相似度 (cosine similarity)
def cossim(ina,inb):
num = float(ina.t*inb)
denom = la.norm(ina)*la.norm(inb)
return 0.5+0.5*(num/denom)
# 基於物品的相似度推薦
def standest(datamat,user,sinmeas,item):
n = shape(datamat)[1]
simtotal = 0.0;ratsimtotal = 0.0
for j in range(n):
userrating = datamat[user,j]
if userrating ==0:
continue
overlap = nonzero(logical_and(datamat[:,item].a>0,datamat[:,j].a>0))[0]
if len(overlap)==0:
simility =0
else:
simility = sinmeas(datamat[overlap,item],datamat[overlap,j])
print("the %d and %d similit is :%f"%(item,j,simility))
simtotal +=simility
ratsimtotal+=simility*userrating
if simtotal == 0:
return 0
else:
return ratsimtotal/simtotal
def recommand(datamat,user,n=3,simmeans=cossim,estmethod =standest):
unrateditems = nonzero(datamat[user,:].a==0)[1]
if len(unrateditems)==0:
return "you rated everything"
itemscores =
for item in unrateditems:
estimatscore = estmethod(datamat,user,simmeans,item)
return sorted(itemscores,key = lambda jj:jj[1],reverse=true)[:n]
mymat = mat(loadexdata2())
print(recommand(mymat, 1))
執行結果：
the 0 and 10 similit is :1.000000
the 1 and 10 similit is :1.000000
the 2 and 10 similit is :1.000000
the 6 and 3 similit is :1.000000
the 6 and 5 similit is :1.000000
the 6 and 10 similit is :1.000000
the 7 and 10 similit is :1.000000
the 8 and 10 similit is :1.000000
the 9 and 3 similit is :1.000000
the 9 and 5 similit is :1.000000
the 9 and 10 similit is :1.000000
[(6, 3.3333333333333335), (9, 3.3333333333333335), (0, 3.0)]
process finished with exit code 0
機器學習 推薦系統
在各類 軟體或各大購物 裡，通常會存在推薦系統。它可以根據每個使用者的個人喜好為使用者推薦相應的歌曲 商品 從而增加使用者體驗，並提高了產品的銷量。因此，推薦系統是乙個很值得學習的應用領域。如下圖所示，這是4個使用者對5部電影的評價，我們要求評價只能是0 5之間的數。可以看出，有一些已經打分了，有一...
機器學習 推薦演算法
推薦系統的核心問題是為使用者推薦與其興趣相似度比較高的商品。此時需要乙個函式f x 來計算候選商品與使用者之間的相似度，並向使用者推薦相似度比較高的商品。為了能夠 出函式f x 可以利用的歷史資料主要有 使用者的歷史行為資料 與該使用者相關的其他使用者資訊 商品之間的相似性 文字的描述等等。其中，r...
推薦系統7 推薦演算法實戰 mahout推薦演算法框架
1.1概述 1.2發展歷史 mahout一直伴隨hadoop發展的，從一開始能夠幫助我們在hadoop上實現很多機器學習，到後來發現它的效率越來越慢，於是放棄使用了一段時間，在一年之後，大概14年開始宣布 0.9版本 截止14年底，mahout不再接受任何mapreduce開發的演算法，轉向spar...