推薦演算法基於物品的協同過濾演算法

概念：基於物品的協同過濾演算法，優化演算法

對比：使用者協同過濾的優缺點

python編碼實現

基於使用者的協同過濾演算法

基於商品的協同過濾演算法

適用場景

時效性較強,使用者個性化興趣不太明顯的領域

長尾物品豐富,使用者個性化需求強烈的領域

注重點興趣相似的小群體的熱點

維繫使用者的歷史興趣，推薦結果解釋性強

使用者互動特點

使用者有新行為,不一定造成推薦結果的立即變化

推薦結果的實時變化

缺點

假定《使用者-商品資料》如下，可以計算出商品之間的相似度

#第一步：計算每個商品之間的相似度

def getmostlikeitemsgroupk(itemusersdict):

recommdict = {}

for i, usersi in itemusersdict.items():

for j, usersj in itemusersdict.items():

if i < j:

if i not in recommdict.keys():

recommdict[i] = {}

if j not in recommdict.keys():

recommdict[j] = {}

# 計算相似度,共同互動商品數

ratio= 0.0

seta = set(usersi)

setb = set(usersj)

common = seta.intersection(setb)

if common.__len__() == 0:

ratio= 0.0

else:

bot = math.sqrt(seta.__len__() * setb.__len__())

ratio= float(common.__len__()) / bot

recommdict[i][j] = ratio

recommdict[j][i] = ratio

# 對m中每個用的相似度字典按照相似度倒排序

dict2 = {}

for k,v in recommdict.items():

dict2[k] = sorted(v.items(), key=lambda e: e[1], reverse=true)

#1,物品相似度的未歸一化

#return dict2

#2,物品相似度的歸一化：karypis 在研究中發現如果將

def normalitemlike(parmdict):

dict3 = {}

for k,v in parmdict.items():

dict3[k] =

mx = v[0][1]

for t in v:

return dict3

return normalitemlike(dict2)

def recommitemcf(u,k):

recommdict = {}

useritemsdict = {}

itemusersdict = {}

file = open("/home/wang/ideaprojects/big124/mypython/a")

while true :

line = file.readline()

if line != '':

arr = line.replace("\n","").split("::")

uid = int(arr[0])

iid = str(arr[1])

# useritemdict

if uid in useritemsdict.keys():

else :

useritemsdict[uid] = [iid]

# itemusersdict

if iid in itemusersdict.keys():

else:

itemusersdict[iid] = [uid]

else:

break ;

# 1,尋找每個使用者history商品: 其他相似的商品組

dict1 = getmostlikeitemsgroupk(itemusersdict)

for i in useritemsdict[u]: # 找到每個使用者的歷史商品

itemsk = dict1[i][:k] #取出k個相似商品

for j in itemsk:

if j[0] not in useritemsdict[u]:

#2, 生成商品推薦列表

if j[0] not in recommdict.keys():

recommdict[j[0]] = 0.0

recommdict[j[0]] = recommdict[j[0]] + j[1]

#3,排序商品推薦列表

return sorted(recommdict.items() , key=lambda e:e[1] ,reverse=true)

###############第三步, 測試結果############################

if __name__ =="__main__":

recommlist=recommitemcf(2,3)

for i in recommlist:

print i

對比結果：基於商品的協同過濾，物品相似度的歸一化後準確率變高

#基於使用者的協同過濾：推薦結果
# ('c', 1.533734661597076)
# ('d', 0.8304820237218405)
# ('c', 0.9082482904638631)
# ('d', 0.5773502691896258)
# ('c', 1.1123724356957945)
# ('d', 0.7071067811865476)

基於物品的協同過濾演算法

核心思想給使用者推薦那些和他們之前喜歡的物品相似的物品。不同於基於內容的推薦，基於物品的協同過濾中的相似主要是利用使用者行為的集體智慧型。相似度的計算計算相似度的實現方式是多種多樣的對物品的喜愛程度並不能單純的使用二值屬性來評價，很多資料集包含了使用者對物品的詳細評分資料，將評分資料進一步引入到...

推薦演算法 基於物品的協同過濾演算法

推薦演算法 基於物品的協同過濾演算法

推薦演算法 基於物品的協同過濾演算法

基於物品的協同過濾演算法

相關推薦

推薦演算法基於物品的協同過濾演算法

推薦演算法基於物品的協同過濾演算法

推薦演算法基於物品的協同過濾演算法