初學資料探勘相似性度量二

根據相似性從高到底排序。

def topmatchs(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]

推薦未看過的電影。

def getrecommendations(prefs, person, similarity=sim_pearson):
totals = #
與指定人(person)的相似度 x 對person未看過電影的評分（加權值）。所有人的總和
simsums = #
所有人的相似度（是對該電影有過評價且對person來說未看過的人）
#for other in
prefs:
if other == person: continue
#肯定不和自己比較
sim = similarity(prefs, person, other) #
返回的是與此人的相似度
#忽略相似度為0或者小於0的情況，
if sim <= 0: continue
for item in
prefs[other]:
#只對自己還未看過的電影進行推薦
if item not
in prefs[person] or prefs[person][item] ==0:
# totals.setdefault(item, 0) #
該方法是dictionary方法，若鍵key不存在於此dictionary中，將會新增該鍵到dictionary中，並設預設值（0）
totals[item] += prefs[other][item] *sim
#相似度之和
simsums.setdefault(item, 0)
simsums[item] +=sim
rankings = [(total/simsums[item], item) for item, total in
totals.items()]
rankings.sort()
rankings.reverse()
return rankings

這個演算法有兩點，第一：未看過的電影，這個好解決。第二：推薦，怎麼個推薦？是否能根據某乙個人和我的相似度很高，所以就將他看過我沒看過的電影推薦給我？當然不行，就算他和我相似度很高，但是還是存在他對某一部電影的評分很低，而我又沒有看過就推薦給我，所以單單從某人和我的相似度高低這乙個因素來進行顯然不可以。同樣存在某乙個人一部電影的評分很高，但他的相似度和我很低，而且其他人對此電影的評分很低，這種情況也不可以。所以引用原文中的話「我們需要通過乙個經過加權的評價值來為影片打分」。我們還是按照上週給出過的例子，小明a對《左耳》、《何以笙簫默》、《速度與激情》的評分分別是3、4、5，小紅對這三部電影的評分是2、5、1，再加上「我」。我們假設這三部電影我沒有看過，根據上面乙個演算法得出a對我的相似度是0.99，b是0.38。現在列出乙個**來進行說明。

下面就貼出所有的**，只需要將以下**直接貼在上章的最後即可。

1
#指定一人與其他人的相似度排名
2def topmatchs(prefs, person, n=5, similarity=sim_pearson):
3 scores=[(similarity(prefs, person, other), other) for other in prefs if other!=person]45
scores.sort()
6scores.reverse()
7return
scores[0:n]89
print u"
與toby相似度最高的人"10
print topmatchs(critics, '
toby
', n=3)
1112
#以下方法在topmatchs方法的基礎上直接根據相似度x加權值（對每個電影的評分）推薦電影
13def getrecommendations(prefs, person, similarity=sim_pearson):
14 totals = #
與指定人(person)的相似度 x 對person未看過電影的評分（加權值）。所有人的總和
15 simsums = #
所有人的相似度（是對該電影有過評價且對person來說未看過的人）16#
17for other in
prefs:
18if other == person: continue
#肯定不和自己比較
19 sim = similarity(prefs, person, other) #
返回的是與此人的相似度
2021
#忽略相似度為0或者小於0的情況，
22if sim <= 0: continue
2324
for item in
prefs[other]:25#
只對自己還未看過的電影進行推薦
26if item not
in prefs[person] or prefs[person][item] ==0:27#
28 totals.setdefault(item, 0) #
該方法是dictionary方法，若鍵key不存在於此dictionary中，將會新增該鍵到dictionary中，並設預設值（0）
29 totals[item] += prefs[other][item] *sim30#
相似度之和
31simsums.setdefault(item, 0)
32 simsums[item] +=sim
3334 rankings = [(total/simsums[item], item) for item, total in
totals.items()]
3536
rankings.sort()
37rankings.reverse()
38return
rankings
3940
print u"
推薦給toby的電影"41
print getrecommendations(critics, "
toby
")

初學資料探勘 相似性度量 二

初學資料探勘 相似性度量 二

相似性度量

相似性度量

相關推薦

初學資料探勘相似性度量二

初學資料探勘相似性度量二