① 找到和目標使用者興趣相似的使用者集合，三種常用的使用者相似度指標是皮爾遜相關係數、余弦相關係數和傑卡德相關係數
② 根據使用者相似度和相似個k個使用者的得分，加權計算分數，得到目標使用者對商品的評分
③找到這個集合中的使用者所喜歡的，並且目標使用者沒有聽說過的物品推薦給目標使用者。
注意：各相似使用者的評分應該減去均值進行計算，最終代入目標使用者的均值+加權得分為目標使用者的得分
#構建乙個基於使用者的推薦
def recommendation_mean(uid,iid,similar,k=10):
"""減去平均數的計算方法"""
score = 0
weight = 0
user_id_action = freq_matrix[uid,:] #使用者user_id 對所有商品的行為評分
item_id_action = freq_matrix[:,iid] #物品item_id 得到的所有使用者評分
user_id_similar = similar[uid,:] #使用者user_id 對所有使用者的相似度
similar_index = np.argsort(user_id_similar)[-(k+1):-1] #最相似的k個使用者的index（除了自己）
user_id_i_mean = np.sum(user_id_action)/user_id_action[user_id_action!=0].size#
for j in similar_index :
if item_id_action[j]!=0:
user_id_j_action = freq_matrix[j,:]
user_id_j_mean = np.sum(user_id_j_action)/user_id_j_action[user_id_j_action!=0].size
score += user_id_similar[j]*(item_id_action[j]-user_id_j_mean)
weight += abs(user_id_similar[j])
if weight==0:
return 0
else:
return user_id_i_mean + score/weight
#構建**函式
def predict_mean(similar):
"""**函式的功能: 傳入相似度矩陣, 通過對每個使用者和每個物品進行計算, 計算出乙個推薦矩陣"""
user_count = freq_matrix.shape[0]#使用者數
item_count = freq_matrix.shape[1]#商品數
predic_matrix = np.zeros((user_count,item_count))
for uid in range(user_count):
for iid in range(item_count):
if freq_matrix[uid,iid] == 0:
predic_matrix[uid,iid] = recommendation_mean(uid,iid,similar)
return predic_matrix
def get_recommendation(user_prediction_matrix,k=5):
# 將使用者**資料, 構建成乙個dataframe
recommendation_df = pd.dataframe(user_prediction_matrix,columns=dfpivot.columns,index=dfpivot.index)
# 將資料進行轉換
recommendation_df = recommendation_df.stack().reset_index()
# 對列名進行修改
recommendation_df.rename(columns=,inplace=true)
# 根據使用者id列進行分組
grouped = recommendation_df.groupby("使用者id")
# 得到分組後的前幾個資料
# 刪除掉使用者id列
topk = topk.drop(["使用者id"],axis=1)
# 刪除掉多餘的索引
topk.index = topk.index.droplevel(1)
# 索引重排
topk.reset_index(inplace=true)
return topk
其中，|n(i)|是喜歡物品i的使用者數，|n(j)|是喜歡物品j的使用者數，|n(i)&n(j)|是同時喜歡物品i和物品j的使用者數。
②根據物品的相似度和使用者的歷史行為給使用者生成推薦列表；
這裡的n(u)代表使用者喜歡的物品的集合，s(j,k)是和物品j最相似的的k個物品的集合，wij是物品j和i的相似度，r_ui代表使用者u對物品i的興趣。該公式的含義是，和使用者歷史上最感興趣的物品月相似的物品，越有可能在使用者的推薦列表中獲得比較高的排名。
項集（item）：同時出現的項的集合，k項集即包含k個元素的項集；在本例中，是1項集，是2項集；
支援度：在事務資料庫 d 中所包含的專案集 x的所有事務數稱作項集 x 的支援數， 記為 x 。support( x)=|x|/|d|*100%
支援度衡量關聯規則重要性
置信度： 在事務資料庫 d 中支援項集 x 的事務中支援項集 y 的百分比稱作規則 xy 在事務資料庫 d 中的置信度。
置信度衡量關聯規則的準確度
提公升度：即在事件x出現的情況下事情y出現的概率，相較於整體情況下事件y出現的概率，提公升了多少倍。
lift(x->y) = lift(y->x) = conf(x->y)/supp(y) = conf(y->x)/supp(x) = p(xy)/(p(x)p(y))
1.假設資料庫為 d 由使用者設定最小支援度 min_sup， 首先產生頻繁項集 l;
2.再由頻繁 k－ 1 項集通過連線步連線成為 k 項集( 在 d 中，每個候選 k 項集為 min_sup 的 k 項成為頻繁 k 項
集) ，驗證 l 是不是包含 k 項集中的所有 k－1 子集， 重複此步驟，直到找不到更高的頻繁專案集為止。
搜尋頻繁項集函式的偽**實現如下:
findfrequent(ratings,nowitemsets,minsupport)://ratings 使用者評
分counts = {}//存放項和對應計數的字典
for user,reviews in ratings:
for itemset in nowitemsets://遍歷現有項集
if itemset is subset of reviews://判斷是否是子集
for otheritems in reviews - itemset://遍歷未出
現在項集中的項
superset = itemset | set(otheritems)//生成超集
counts［superset］ += 1//增加計數
return counts
candidaterules =［］//候選關聯規則列表
for itemsetlen, itemsetcounts in frequentitems:
for itemset in itemsetcounts.keys():
for conclusion in itemset://遍歷項集中的每一項把它作為結論
premise = itemset - set(conclusion)//項集中的其他項作為前提
candidaterules.add ((premise,conclusion))//向列表中新增候選規則
2.apriori演算法會產生大量的中間項集；
3.採用唯一支援度；
基於關聯規則的推薦綜述
基於關聯規則的推薦思想類似基於物品的協同過濾推薦 啤酒與尿布 關聯分析中最有名的例子就是 啤酒與尿布 原來，在美國，婦女們經常會囑咐她們的丈夫下班以後給孩子買一點尿布回來，而丈夫在買完尿布後，大都會順手買回一瓶自己愛喝的啤酒 由此看出美國人愛喝酒 商家通過對一年多的原始交易記錄進行詳細的分析，發現了...
推薦系統 基於使用者和基於物品的協同過濾演算法的比較
首先回顧一下，協同過濾演算法主要有兩種，一種是基於使用者的協同過濾演算法 usercf 另一種是基於物品的協同過濾演算法 itemcf 基於使用者的協同過濾演算法主要有兩步 1 找到和目標使用者興趣相似的使用者集合 2 找到這個集合中的使用者喜歡的，且目標使用者沒有聽說過的物品推薦給目標使用者。基於...
推薦系統 基於使用者的協同過濾系統
1.什麼是基於使用者的協同過濾演算法？簡單來說，給使用者推薦和她興趣相投的其她使用者喜歡的物品。2.實施步驟 a.構建使用者的特徵維度 b.求使用者間的相識度 c.計算推薦結果 還是通過乙個例子來說吧！需要注意的點 1.在計算使用者相似度的前，我們需要構建使用者的特徵矩陣，這個特徵矩陣不能用維度為電...