簡單的python協同過濾程式

博主是自然語言處理方向的，不是推薦系統領域的，這個程式完全是為了應付大資料分析與計算的課程作業所寫的乙個小程式，先上程式，一共55行。不在意細節的話，55行的程式已經表現出了協同過濾的特性了。就是對每乙個使用者找4個最接近的使用者，然後進行推薦，在選擇推薦的時候是直接做的在4個使用者中選擇該使用者item沒包括的，當然這裡沒限制推薦數量，個人覺得如果要提高推薦準確率的畫，起碼，1，要對流行的item進行處理。2，將相鄰的四個使用者的item進行排序，從多到少的進行推薦。程式所用的資料是movielens上的（相似度的計算也很簡單，直接用了交集和差集的比值。好吧，上程式

#
coding utf-8
import
osimport
sysimport
ref1=open("
/home/alber/data_base/bigdata/movielens_train_result.txt
",'r
') #讀取train檔案，已經處理成每一行代表一位使用者的item，項之間用空格。
f2=open("
/home/alber/data_base/bigdata/movielens_train_result3.txt
",'a')
txt=f1.readlines()
contxt=
f1.close()
userdic={}
for line in
txt:
line_clean="
".join(line.split())
position=line_clean.index(","
) id=line_clean[0:position]
item=line_clean[position+1:]
userdic.setdefault(id,item)
if len(item)>=5: #對觀影量少於5的使用者不計入相似性計算的範圍
for key in
userdic.keys(): #計算每位使用者的4個最相似使用者
id_num=key
value=userdic[key]
user_item=value.split('')
sim_user=
for lines in
contxt:
lines_clean=lines.split('')
intersection=list(set(lines_clean).intersection(set(user_item)))
lenth_intersection=len(intersection)
difference=list(set(lines_clean).difference(set(user_item)))
lenth_difference=len(difference)
if lenth_difference!=0: 
similarity=float(lenth_intersection)/lenth_difference #交集除以差集作為相似性的判斷條件
else:"
0") sim_user_copy=sim_user[:]
sim_user_copy.sort()
sim_best=sim_user_copy[-4:]
position1=sim_user.index(sim_best[3])
position2=sim_user.index(sim_best[2])
position3=sim_user.index(sim_best[1])
position4=sim_user.index(sim_best[0])
if position1!=0 and position2!=0 and position3!=0 and position4!=0:
recommender=userdic[str(position1)]+"
"+userdic[str(position2)]+"
"+userdic[str(position3)]+"
"+userdic[str(position4)] #將4位使用者的看過的電影作為推薦 
else
: recommender="
none
" 
reco_list=recommender.split('')
recomm=
for good in
reco_list:
if good not
inuser_item:
else
: 
pass
f2.write((
"".join(recomm)+"\n"
))f2.close()

簡單的python協同過濾程式

協同過濾的簡單實現

協同過濾基於使用者的協同過濾itemCF

Item based協同過濾

簡單的python協同過濾程式

協同過濾的簡單實現

協同過濾 基於使用者的協同過濾itemCF

Item based協同過濾

相關推薦

協同過濾基於使用者的協同過濾itemCF