基于ItemCF算法的电影推荐系统的代码详解

"""
import random
import math
import os
import json
import time
#声明一个ItemCFRec类
class ItemCFRec:def __init__(self,datafile,ratio):#这是初始的封装类，其他函数都被封装在里面# 1、原始数据路径文件self.datafile = datafile# 测试集与训练集的比例self.ratio = ratioself.data = self.loadData()self.trainData,self.testData = self.splitData(3,47)self.items_sim = self.ItemSimilarityBest()# 2、定义函数loadData，新建一个data[]，打开并遍历self.datafile每一行，取出userid、itemid、record对应的数据到data[]def loadData(self):print("加载数据...")data=[]for line in open(self.datafile):   #对评分数据的每一行，用：：拆分得到三个变量并储存到data中userid,itemid,record,time1 = line.split("::")#timestamp = int(1000000000)+int(time1)timestamp = int(time1)time_local = time.localtime(timestamp)dt = time.strftime("%Y-%m-%d %H:%M:%S", time_local)data.append((userid,itemid,int(record),dt))#data =data.sort_values(by = 'timestamp')data1 = sorted(data , key= lambda x: x[3] , reverse = False)data2 = sorted(data, key=lambda x: x[3], reverse= True)return data1"""拆分数据集为训练集和测试集k: 参数seed: 生成随机数的种子M: 随机数上限"""# 3、定义splitData函数，用来随机划分训练集和测试集，def splitData(self,k,seed,M=9):print("训练数据集与测试数据集切分...")train,test = {},{}random.seed(seed)for user,item,record in self.data:if random.randint(0,M) == k:#生成0到m-1之间的随机数test.setdefault(user,{})#如果字典中包含有给定键，则返回该键user对应的值，否则返回为该键设置的值{}test[user][item] = recordelse:train.setdefault(user,{})train[user][item] = recordreturn train,test#训练集和测试集的划分 https://blog.csdn.net/qingsi11/article/details/107322751# 计算物品之间的相似度#4、创建itemSim、item_user_count、count三个空子典def ItemSimilarityBest(self):print("开始计算物品之间的相似度")# 如果相似度的文件已输出 则直接输出，否则运行elseif os.path.exists("item_sim.json"):print("物品相似度从文件加载 ...")itemSim = json.load(open("data/item_sim.json", "r"))else:itemSim = dict() # 相似度矩阵（得到每个物品和其他被用户公共喜欢过的物品的相似度值）item_user_count = dict()  # 得到每个物品有多少用户产生过行为（每个物品有行为的用户数）count = dict()  # 共现矩阵(表示同时喜欢两个物品的用户数)for user, item in self.trainData.items():   #遍历训练集字典中的每一项#print("user is {}".format(user))    #输出此次遍历的用户for i in item.keys():   #遍历该用户对应的物品item_user_count.setdefault(i, 0)   #每遍历一次，item_user_count字典增加（物品，行为用户数）if self.trainData[user][i] > 0.0:   #如果该次遍历的用户对该次遍历的物品有评分item_user_count[i] += 1   #该物品的行为用户数+1for j in item.keys():   #遍历该用户对应的物品count.setdefault(i, {}).setdefault(j, 0)   #设置count的默认格式（i物品，{j物品，共现次数}）#if self.trainData[str(user)][i] > 0.0 and self.trainData[str(user)][j] > 0.0 and i != j:if self.trainData[user][i] > 0.0 and self.trainData[user][j] > 0.0 and i != j:count[i][j] += 1   #若该用户对两不同物品都有评分，这两物品的共现次数+1#此循环得到物品行为用户数item_user_count和两两物品共现矩阵count# 共现矩阵 -> 相似度矩阵for i, related_items in count.items():   #遍历共现矩阵的每一项（i物品，关联物品）itemSim.setdefault(i, dict())   #设置itemSim的默认格式（i物品，{}）for j, cuv in related_items.items():   #遍历i物品的每一项关联物品（j物品，共现次数）itemSim[i].setdefault(j, 0)   #设置itemSim第i物品的默认格式（j物品，相似度值）itemSim[i][j] = cuv / math.sqrt(item_user_count[i] * item_user_count[j])   #i,j物品的相似度计算json.dump(itemSim, open('data/item_sim.json', 'w'))return itemSim#计算物品的相似度矩阵 https://blog.csdn.net/cxy861046317/article/details/116115930"""为用户进行推荐user: 用户k: k个临近物品nitem: 总共返回n个物品"""#生成该用户可能最感兴趣的40个电影的兴趣值的字典def recommend(self, user, k=8, nitems=40):result = dict()u_items = self.trainData.get(user, {})#得到传入参数的该用户的喜爱的物品和对应的评分#a_items = self.trainData[user]#这种写法也可for i, pi in u_items.items():   #遍历该用户下的每一项（即每一个物品i及其评分pi）for j, wj in sorted(self.items_sim[i].items(), key=lambda x: x[1], reverse=True)[0:k]:#对该用户下的i商品在相似度矩阵中和与其他物品的相似度的值排序，reverse=True为倒序#按照列表中第二个元素（即i物品与j物品的相似度值）对j物品的相似度值wj排序,取与i物品最相似的前k个物品if j in u_items:continue   #如果物品已经在该用户所选物品中，则跳过，遍历下一个物品result.setdefault(j, 0)   #设置格式（j物品，兴趣值）result[j] += pi * wj  #用该用户对i物品的评分乘以i与j物品的相似度得到该用户对j物品的兴趣值return dict(sorted(result.items(), key=lambda x: x[1], reverse=True)[0:nitems])#按照result中每一项的第二个元素（即兴趣值）递减排序，显示前nitems个result#  计算准确率def precision(self, k=8,nitems=10):print("开始计算准确率 ...")hit = 0precision = 0for user in self.testData.keys():#遍历测试集中的useru_items = self.testData.get(user, {})#得到每一个user看过的电影的评分result = self.recommend(user, k=k, nitems=nitems)#调用recommen函数，通过训练集预测用户感兴趣的电影，得到result字典for item, rate in result.items():if item in u_items:#如果预测的电影在测试集中的该用户看过的电影下，则hit+1hit += 1precision += nitemsreturn hit / (precision * 1.0)#预测的电影在测试集中的该用户看过的电影 的数目/recommend函数预测的推荐的电影数if __name__ == "__main__":ib = ItemCFRec("data/ml-1m/ratings.dat",[1,9])#给ItemCFRec("data/ml-1m/ratings.dat",[1,9])取名ib,1:9为测试集与训练集的比例print("用户1进行推荐的结果如下：{}".format(ib.recommend("1")))#在类ib下给recommend函数传入参数1，得到用户1进行推荐的结果如下：{}print("准确率为： {}".format(ib.precision()))#在类ib下调用precision函数，得到准确率

参照：https://zhuanlan.zhihu.com/p/94024379

基于ItemCF算法的电影推荐系统的代码详解相关推荐

基于SVD算法的电影推荐系统实验
基于SVD算法的电影推荐系统实验推荐系统发展简单思维导图电影推荐系统最初思路程序实现的功能程序整体框架基于关键字搜索推荐模块搜索推荐模块代码基于电影名称关键字的推荐模块基于电影类型搜索 ...
【计算机毕业设计】009基于推荐算法的电影推荐系统
一.系统截图(需要演示视频可以私聊) 摘要现代经济快节奏发展以及不断完善升级的信息化技术,让传统数据信息的管理升级为软件存储,归纳,集中处理数据信息的管理方式.本基于推荐算法的电影推荐系统就是在 ...
【目标检测算法-锚框公式推导及代码详解】
目标检测算法-锚框公式推导及代码详解 0 沐神对锚框的宽高计算并未推导以及讲解 1 锚框宽高公式推导 1.1 基础概念 1.2 锚框宽高公式推导 1.3 图片验证计算 1.4 小结 2 代码详解 2. ...
基于神经网络的依存句法分析总结及代码详解
上一篇文章CS224n之句法分析总结,介绍了句法分析以及具体的依存分析中的arc-standard算法.arc-standard系统是transition systems中最流行的一个系统之一.而本文 ...
免疫算法（IA）MatLab代码详解
CSDN编辑器里面没有MATLAB选项,所以我为了注释更清楚,用的是//,大家不要被误解了呀,算法看代码就好了 1 免疫算法的精髓生物免疫系统:动态性免疫.自适应免疫免疫算法-保证信息的无害性.有 ...
独家总结 | KNN算法Python实现（附代码详解及注释）
↑ 点击上方[计算机视觉联盟]关注我们上一篇已经介绍KNN算法的基本原理,这篇就不再赘述(公式太多,读不懂? 一文带你领略KNN近邻算法~简单易懂) 纸上得来终觉浅,仅仅懂了原理还不够,要用代码实践 ...
程序员的内涵之基于SDK的Windows应用程序框架代码详解
基于SDK的Windows应用程序框架代码需要注意以下几个方面: 1.必须包含头文件windows.h WINDOWS.H是一个最重要的头文件,它包含了其他Windows头文件,这些头文件的某些也包含 ...
基于PaddleOCR的FCENet论文总结和代码详解（持续更新）
Fourier Contour Embedding for Arbitrary-Shaped Text Detection 文末有总结一些CVPR有关OCR领域的最新论文及代码地址 Contribut ...
自强不息系列之基于SDK的Windows应用程序框架代码详解
1.必须包含头文件windows.h WINDOWS.H是一个最重要的头文件,它包含了其他Windows头文件,这些头文件的某些也包含了其他头文件.这些头文件中最重要的和最基本的是: WINDEF.H ...

基于ItemCF算法的电影推荐系统的代码详解

基于ItemCF算法的电影推荐系统的代码详解相关推荐

最新文章

热门文章

基于ItemCF算法的电影推荐系统 的代码详解

基于ItemCF算法的电影推荐系统 的代码详解相关推荐

最新文章

热门文章

基于ItemCF算法的电影推荐系统的代码详解

基于ItemCF算法的电影推荐系统的代码详解相关推荐