提供推荐

协作型过滤算法：对一大群人进行搜索，找出品味相近的一小群人。

1.搜集偏好。每位影评人对给定影片的喜好程度

2.寻找相近的用户。计算相似度评价值，欧几里得距离，皮尔逊相关度。

3.为评论者打分。找出最具有相似度的列表。

4.推荐物品。把用户之间的相似度最为加权值，为影片打分，推测得到用户没有看过影片的评分。

5.匹配商品。影评人可以和影片对换，为影片推荐人。

我们能做什么

为用户推荐商品

准备数据集，用户在一个月之内购买各种商品的数量

问题1：是否基于用户推荐，如果客户对象是运营商，基于用户推荐没有必要。

问题2：能否基于售货机推荐，为售货机推荐商品，同一个运营商区域内售货机相似度会很高，具体看结果。

目标改为：基于商品销售情况为售货机推荐商品。重点关注问题，同一运营商售货机可能会有很高相似度，是否对结果准确性造成影响。

准备数据集：售货机一个月内，售出各种商品数量。

开始进行推荐算法建模

1.准备数据

数据来源于开发数据库data_platform.svm_goods_stats_all

数据库配置

import pymysql as MySQLdb
import pandas as pd
host=""
user=""
passwd=""
port=
db=""

打开数据库连接,关闭数据库链接函数,读取数据库函数

def connect_sql():conn = MySQLdb.connect(host=host,port=port,user=user,passwd=passwd,db=db, charset='utf8')cur = conn.cursor()return conn,curdef close_connect(conn,cur):conn.commit()cur.close()conn.close()def select_sql(cur,sql):try:cur.execute(sql)alldata = cur.fetchall()frame = pd.DataFrame(list(alldata))except:frame = pd.DataFrame()return frame

读取数据,统计出2019年6月份，各个售货机每种商品的销量。

conn,cur = connect_sql()
sql = "SELECT svm_id,svm_name,goods_gid,goods_name,SUM(sale_amount) as sale_amount FROM `svm_goods_stats_all` where count_month=201804 GROUP BY svm_id,svm_name,goods_gid,goods_name;"
result = select_sql(cur,sql)
print(result[0:10])

       0                1                                 2                3  \
0  23561  微软大厦RE&F部门T1-8F  05CDE74A42B811E8B6E80017FA00B1BA     回头客枣泥蛋糕（两只装）
1  23561  微软大厦RE&F部门T1-8F  066D2F8EAF2411E798CE0017FA00E5A4              便利贴
2  23561  微软大厦RE&F部门T1-8F  070CF3DAC8E011E784ED0017FA00E5A4    统一果汁（250ML/盒）
3  23561  微软大厦RE&F部门T1-8F  10F6D1C0AF2411E798CE0017FA00E5A4              报事贴
4  23561  微软大厦RE&F部门T1-8F  1C5DB73FAF2111E798CE0017FA00E5A4            统一冰红茶
5  23561  微软大厦RE&F部门T1-8F  24146008AD8B11E79F3C0017FA00E9CA      零度可乐330ml/罐
6  23561  微软大厦RE&F部门T1-8F  27360F02AE4411E79F3C0017FA00E9CA        统一鲜橙多(盒装)
7  23561  微软大厦RE&F部门T1-8F  28DA970CAF2411E798CE0017FA00E5A4            彩色工字钉
8  23561  微软大厦RE&F部门T1-8F  35B52D06AE4311E79F3C0017FA00E9CA  三元纯牛奶(百利包)200ml
9  23561  微软大厦RE&F部门T1-8F  3A36BCD8AF2411E798CE0017FA00E5A4            套塑回形针   4
0  27
1   1
2  11
3   5
4  11
5  65
6  23
7   1
8  91
9  12

添加列名

result.columns = ["svm_id","svm_name","goods_gid","goods_name","sale_amount"]
print(result[0:10])

   svm_id         svm_name                         goods_gid       goods_name  \
0   23561  微软大厦RE&F部门T1-8F  05CDE74A42B811E8B6E80017FA00B1BA     回头客枣泥蛋糕（两只装）
1   23561  微软大厦RE&F部门T1-8F  066D2F8EAF2411E798CE0017FA00E5A4              便利贴
2   23561  微软大厦RE&F部门T1-8F  070CF3DAC8E011E784ED0017FA00E5A4    统一果汁（250ML/盒）
3   23561  微软大厦RE&F部门T1-8F  10F6D1C0AF2411E798CE0017FA00E5A4              报事贴
4   23561  微软大厦RE&F部门T1-8F  1C5DB73FAF2111E798CE0017FA00E5A4            统一冰红茶
5   23561  微软大厦RE&F部门T1-8F  24146008AD8B11E79F3C0017FA00E9CA      零度可乐330ml/罐
6   23561  微软大厦RE&F部门T1-8F  27360F02AE4411E79F3C0017FA00E9CA        统一鲜橙多(盒装)
7   23561  微软大厦RE&F部门T1-8F  28DA970CAF2411E798CE0017FA00E5A4            彩色工字钉
8   23561  微软大厦RE&F部门T1-8F  35B52D06AE4311E79F3C0017FA00E9CA  三元纯牛奶(百利包)200ml
9   23561  微软大厦RE&F部门T1-8F  3A36BCD8AF2411E798CE0017FA00E5A4            套塑回形针   sale_amount
0          27
1           1
2          11
3           5
4          11
5          65
6          23
7           1
8          91
9          12

转换成字典,格式为：{svm_id:{goods_name:sale_amount}}

dict={}
for i in range(len(result)):dict_row={}row=result.loc[i]svm_id=row["svm_id"]goods_name=row["goods_name"]sale_amount=row["sale_amount"]dict2=dict.setdefault(svm_id,{})dict2.setdefault(goods_name,sale_amount)
#print(dict)

计算两个售货机皮尔逊相关系数

from math import sqrt
import decimal
def sim_svm(dict,svm1,svm2):#得到两个售货机都售卖过商品列表si={}for item in dict[svm1]:if item in dict[svm2]:si[item]=1#获得列表元素的个数n=len(si)#如果两者共同之处<5，返回0if n<5 or n>20:return 0#对所有偏好求和sum1=sum([dict[svm1][it] for it in si])sum2=sum([dict[svm2][it] for it in si])#求平方和sum1Sq=sum([pow(dict[svm1][it],2) for it in si])sum2Sq=sum([pow(dict[svm2][it],2) for it in si])#求乘积之和pSum=sum([dict[svm1][it]*dict[svm2][it] for it in si])#计算皮尔逊评价值num=pSum-(sum1*sum2/n)den=sqrt((sum1Sq-pow(sum1,2)/n)*(sum2Sq-pow(sum2,2)/n))if den==0:return 0num=decimal.Decimal(num)den=decimal.Decimal(den)r=num/denreturn r

例如，计算北京腾讯众创空间4层G3-2：23804 和北京腾讯众创空间B座3层G3-2：23805 皮尔逊相关系数，结果为0.6747359218147152627033075838

sim_svm(dict,23804,23807)

接下来计算一台售货机，与他最接近的匹配结果

#返回结果个数为参数
def topMathes(dict,svm,n=5,similarity=sim_svm):scores=[(similarity(dict,svm,other),other) for other in dict if other!=svm]#对列表进行排序，相似度最高的排在最前面scores.sort()scores.reverse()return scores[0:n]

以23804 北京腾讯众创空间4层G3-2 为例，相似度前10名为：
24006 深圳宝安百旺创意工厂7栋G5-2
24052 东莞理工学院行政楼G6-1
24100 深圳南山区科兴科学园C1栋14楼腾讯茶水间G3-1
24483 广州中大南方学院西学楼2号G5-1（男）
24495 广州中大南方学院西学楼11号G6-1（女）
24508 广州中大南方学院东学楼33号G6-1（女）
24513 广州中大南方学院东学楼23栋G6-1（女）
24601 广州TIT健身房门口G2
24603 广州TIT B4栋拐角G2
25655 北京创客广场A座3层P5
可以发现，受同一经营商影响不大，具备参考价值。

topMathes(dict,24147,n=10)

[(Decimal('0.9823212393018347222349147787'), 24136),(Decimal('0.9719508383747784295317217650'), 24638),(Decimal('0.9656766675443123709255253711'), 24557),(Decimal('0.9618078821558180077873342986'), 24137),(Decimal('0.9521073218544146589857017012'), 24097),(Decimal('0.9294906056457545187788558502'), 24060),(Decimal('0.9255077576001855257316520260'), 24514),(Decimal('0.8984729592094900609570536544'), 24194),(Decimal('0.8924104525393517299226061508'), 25304),(Decimal('0.8839387698964820572321233092'), 24200)]

推荐商品

方法：得到售货机的相似度后，乘以商品的销量，相似度高的售货机将对整体推荐提供更大的影响。求和后除以全部相似度之和，减少因为商品在很多售货机售卖造成的影响。

def getRecommendations(dict,svm,n=5,similarity=sim_svm):totals={}simSums={}for other in dict:#不要和本机作比较if other==svm:continuesim=similarity(dict,svm,other)#忽略相似度为0或者小于0的情况if sim<=0:continuefor item in dict[other]:#只对没有出售的商品统计if item not in dict[svm]:#相似度*销量totals.setdefault(item,0)totals[item]+=dict[other][item]*sim#相似度之和simSums.setdefault(item,0)simSums[item]+=sim#建立一个归一化的列表rankings=[(total/simSums[item],item) for item,total in totals.items()]#返回经过排序的列表rankings.sort()rankings.reverse()return rankings[0:n]

以23804 北京腾讯众创空间4层G3-2 为例，推荐商品如下：

getRecommendations(dict,24147,n=10)

[(Decimal('265.0525274870319393328064328'), '达利园青梅绿茶'),(Decimal('157.5100028338143193087411658'), '农夫山泉（550ml瓶）'),(Decimal('107.8895927165601255672163058'), '味全乳酸菌饮品 草莓味 (450ml瓶)'),(Decimal('107.1198200283158929032631089'), '百事可乐(600ml/瓶)'),(Decimal('106.0000000000000000000000000'), '康师傅香辣牛肉面 (108g杯)'),(Decimal('92.83801177224463229020539481'), '冰露纯净水（550ml瓶)'),(Decimal('90.69816481581427204727284670'), '盼盼肉松饼(30g/袋)'),(Decimal('80.59939128255216851631953250'), '景田纯净水(560ml/罐)'),(Decimal('80.28597990368058623276120420'), '麒麟午后奶茶原味(500ml/瓶)'),(Decimal('75.99999999999999999999999999'), '黄鹤楼（软蓝）')]

调参过程

调参对象：计算售货机皮尔逊相关系数，售货机拥有共同商品数量n值,大于n值才计算相关系数。由于每月每台售货机商品种类较多，有几十种：

当n过小时，如n=0,只要有一种商品共同售卖，则计算两台售货机相关系数过大，由于共同商品数量占比较小，不能反映两台售货机正常的相关系数。

当n过大时，如n>10,数据显示相关度高的大部分为同一运营商下的售货机，售货机由同一家运营商运营，商品种类是很接近的，造成相关度高，不具有推荐价值。

以下取n=5,10,8 svm_id为23804的售货机展示

2018.04 n>5
(Decimal(‘0.9786200730071457015837720227’), 24077),
(Decimal(‘0.9785952494059722601910034694’), 24251),
(Decimal(‘0.9718629832926680068337899408’), 24241),
(Decimal(‘0.9690117014397064027364879548’), 24528),
(Decimal(‘0.9100647553336100121272323189’), 24253),
(Decimal(‘0.9038551160925817906111451915’), 24016),
(Decimal(‘0.9015406198643173343230210883’), 24053),
(Decimal(‘0.8988979765004685420165975777’), 24070),
(Decimal(‘0.8940838255256492836261510545’), 24041),
(Decimal(‘0.8840579125201337339223390679’), 25279)

24016 深圳龙岗坪山主力宿舍B栋G5-1
24041 深圳南方科技大学教师公寓6栋G3-1
24053 东莞理工学院综合馆G6-1
24070 深圳罗湖区深圳体育中心攀岩馆G3-1
24077 深圳硅谷动力智能终端园区A4-B座G3-1
24241 深圳市南山区西丽阳光工业园燕麦科技一楼G3-1
24251 深圳顺荣公司19楼G3-1
24253 深圳南山区百旺创意工厂7栋热饭区G3-1
24528 深圳南山区卓越·后海中心13楼G5-1
25279 广州海珠区逸景路海珠法院G/FG2

2018.04 n>10
(Decimal(‘0.8613278321515042256076360978’), 24107),
(Decimal(‘0.8047128623318818263408620095’), 23833),
(Decimal(‘0.7993363061220379677912798578’), 24611),
(Decimal(‘0.7853217985017786274568049621’), 23804),
(Decimal(‘0.7716792351064601225337047706’), 24566),
(Decimal(‘0.6408978040555316821860744214’), 23807),
(Decimal(‘0.5719628185572587922591246519’), 25298),
(Decimal(‘0.5669038392651221983059927370’), 24609),
(Decimal(‘0.4178989436433680834095254679’), 24582),
(Decimal(‘0.4132137518364929407830469620’), 24587)

23804 北京腾讯众创空间4层G3-2
23807 北京腾讯众创空间A座5层G3-1
23807 北京腾讯众创空间A座5层G3-2
23833 北京腾讯众创空间A座2层G5-2
24107 北京腾讯众创空间A座1层G5-1
24566 广州肿瘤医院2号楼1楼G6-1
24582 广州岭南电商产业园3楼G5-1
24587 广州白云机场P2停车场三号G5-1
24609 广州白云机场奥斯特酒店G6-1
24611 广州白云机场P3停车场一楼G5-1
25298 北京创客广场A座3层G5

2018.04 n>8

(Decimal(‘0.8613278321515042256076360978’), 24107),
(Decimal(‘0.8547413911344391514801827327’), 24714),
(Decimal(‘0.8047128623318818263408620095’), 23833),
(Decimal(‘0.7993363061220379677912798578’), 24611),
(Decimal(‘0.7853217985017786274568049621’), 23804),
(Decimal(‘0.7806301788636706538993692880’), 24102),
(Decimal(‘0.7716792351064601225337047706’), 24566),
(Decimal(‘0.7664002999952736182570821024’), 24606),
(Decimal(‘0.7571419380607181772692088246’), 24078),
(Decimal(‘0.6732402070760885938576218374’), 24090)

23804 北京腾讯众创空间4层G3-2
23833 北京腾讯众创空间A座2层G5-2
24078 深圳南方科技大学学生宿舍4栋G5-1
24090 深圳南方科技大学教学楼28栋G3-1
24102 深圳南山区科兴科学园C2栋12楼腾讯茶水间G3-1
24107 北京腾讯众创空间A座1层G5-1
24566 广州肿瘤医院2号楼1楼G6-1
24606 广州蓝谷创意园g6-1
24611 广州白云机场P3停车场一楼G5-1
24714 广州全民时尚天河G6-1

基于无人售货机商品售卖情况推荐商品相关推荐

一个11层的CNN（基于无人售货机的货物识别
Github 源代码与数据文件均在github上,对识别感兴趣的小伙伴点个star啦,共同学习共同进步,谢谢!!! 只需要把文件完整下载,改变文件的目录,然后把数据改为你想要识别的物品,修改全连接层( ...
几乎等于一个小超市的新型无人售货机
随着科技的发展,自助购物,移动支付,都是大家现在非常喜欢做的事情-无人零售时代已经来临,它是人们展望未来社会所衍生的产物,自发明至今已经得到全面发展.而随着科技的进步,无人售货机的售卖也更加丰富多彩. ...
基于JAVA无人售货机管理系统计算机毕业设计源码+数据库+lw文档+系统+部署
基于JAVA无人售货机管理系统计算机毕业设计源码+数据库+lw文档+系统+部署基于JAVA无人售货机管理系统计算机毕业设计源码+数据库+lw文档+系统+部署本源码技术栈: 项目架构:B/S架构开 ...
基于SSM的智能无人售货机系统的设计与实现
开发工具(eclipse/idea/vscode等): 数据库(sqlite/mysql/sqlserver等): 功能模块(请用文字描述,至少200字): 基于SSM的智能无人售货机系统的设计与实现 ...
第八章（无人售货机零售项目实战）
分组聚合客户订单无人售货机客户订单信息表记录着有关客户的订单信息. 从客户的角度出发,分析客户订单信息表中的数据,了解客户订单状况,按照客户订单数据进行聚合计算,对客户订单消费金额从高到低进行排序, ...
java/php/net/python无人售货机管理系统设计
本系统带文档lw万字以上+答辩PPT+查重如果这个题目不合适,可以去我上传的资源里面找题目,找不到的话,评论留下题目,或者站内私信我, 有时间看到机会给您发 1.关于无人售货机管理系统的基本要求 ( ...
无人便利店和无人售货机的区别在哪
在很多业界观点看来,无人便利店和无人售货机的主要特质就在于"无人",也就是通过无人零售的方式从而降低人力成本,同时仍能够实现24小时开店的需求.下面37号仓小编给大家讲解下无人便利 ...
java毕业设计无人售货机管理系统源码+lw文档+mybatis+系统+mysql数据库+调试
java毕业设计无人售货机管理系统源码+lw文档+mybatis+系统+mysql数据库+调试 java毕业设计无人售货机管理系统源码+lw文档+mybatis+系统+mysql数据库+调试本源码技 ...
计算机毕业设计Java无人售货机管理系统（源码+系统+mysql数据库+Lw文档）
计算机毕业设计Java无人售货机管理系统(源码+系统+mysql数据库+Lw文档) 计算机毕业设计Java无人售货机管理系统(源码+系统+mysql数据库+Lw文档) 本源码技术栈: 项目架构:B/S ...
常见的各种无人售货机多少钱一台
上个世纪末,无人售货机来到了中国,虽然之后经过了十多年的发展可一直不温不火,直到近几年随着电子商务的发展手机支付得到了很好的普及之后,无人售货机才开始爆发式增长,可以说手机移动支付给无人售货机的普及提 ...

基于无人售货机商品售卖情况推荐商品