基于用户的协同过滤算法

计算用户相似度和用户对未知物品的可能评分

基于用户的协同过滤算法主要包括两个步骤。
(1) 找到和目标用户兴趣相似的用户集合。
(2) 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

例如现在有A、B、C、D四个用户，分别对a、b、c、d、e五个物品表达了自己喜好程度（通过评分高低来表现自己的偏好程度高低），现在要为C用户推荐物品：
1、构建用户物品评分表

2、相似度计算
计算用户相似度的方法很多，这里选用余弦相似度

给定用户u和用户v，令N(u)表示用户u曾经有过正反馈的物品集合，令N(v)为用户v曾经有过正反馈的物品集合。

可以看出D用户与C用户相似度最大。
3、计算推荐结果
用户C评分的物品是b和e，下面计算用户C对物品a,c,d的偏好程度:

参考代码：

import math
class UserCF:def __init__(self):self.user_score_dict = self.initUserScore()self.users_sim = self.UserSimilarity()# 初始化用户评分数据def initUserScore(self):user_score_dict = {"A": {"a": 3.0, "b": 4.0, "c": 0.0, "d": 3.5, "e": 0.0},"B": {"a": 4.0, "b": 0.0, "c": 4.5, "d": 0.0, "e": 3.5},"C": {"a": 0.0, "b": 3.5, "c": 0.0, "d": 0., "e": 3.0},"D": {"a": 0.0, "b": 4.0, "c": 0.0, "d": 3.50, "e": 3.0}}return user_score_dict# 计算用户之间的相似度,采用的是遍历每一个用户进行计算def UserSimilarity(self):W = dict()for u in self.user_score_dict.keys():W.setdefault(u,{})for v in self.user_score_dict.keys():if u == v:continueu_set = set( [key for key in self.user_score_dict[u].keys() if self.user_score_dict[u][key] > 0])v_set = set( [key for key in self.user_score_dict[v].keys() if self.user_score_dict[v][key] > 0])W[u][v] = float(len(u_set & v_set)) / math.sqrt(len(u_set) * len(v_set))return W  # 预测用户对item的评分def preUserItemScore(self, userA, item):score = 0.0for user in self.users_sim[userA].keys():if user != userA:score += self.users_sim[userA][user] * self.user_score_dict[user][item]return score# 为用户推荐物品def recommend(self, userA):# 计算userA 未评分item的可能评分user_item_score_dict = dict()for item in self.user_score_dict[userA].keys():if self.user_score_dict[userA][item] <= 0:user_item_score_dict[item] = self.preUserItemScore(userA, item)return user_item_score_dictif __name__ == "__main__":ub = UserCF()print(ub.recommend("C"))

spyder实验结果：

{'a': 2.8577380332470415, 'c': 1.8371173070873839, 'd': 4.286607049870562}

注：计算C和A之间的相似度（未经过one-hot编码得出的结果，经过one-hot编码得出的结果与实际数据一致）

import math
import numpy as np
import pandas as pd
from sklearn.metrics.pairwise import cosine_similarity
from scipy.spatial.distance import cosinedata1 = {"a":{"A":3.0,"B":4.0,"C":0.0,"D":0.0},"b":{"A":4.0,"B":0.0,"C":3.5,"D":4.0},"c":{"A":0.0,"B":4.5,"C":0.0,"D":0.0},"d":{"A":3.5,"B":0.0,"C":0.0,"D":3.5},"e":{"A":0.0,"B":3.5,"C":3.0,"D":3.0}
}
data2 = pd.DataFrame(data1)x = data2.loc['A',:]
y = data2.loc['C',:]
x = np.mat([x])
y = np.mat([y])
x,ycosine_similarity(x,y)1 - cosine(data2.loc['A',:],data2.loc['C',:])

基于用户的协同过滤算法相关推荐

推荐系统--基于用户的协同过滤算法
1. 概述和搜索引擎一样,推荐系统是为了帮助人们更快速的获得对自己有用的信息. 和搜索引擎不同,推荐系统是人们被动的获取,由系统根据用户行为或其他的信息推荐给用户的,儿搜索引擎是用户 ...
【推荐系统】基于用户的协同过滤算法
基于用户的协同过滤算法基础算法在一个在线个性化推荐系统中,当一个用户A需要个性化推荐时,可以先找到和他有相似兴趣的其他用户,然后把那些用户喜欢的.而用户A没有听说过的物品推荐给A.这种方法称为基于 ...
UserCF,基于用户的协同过滤算法
转载自 UserCF,基于用户的协同过滤算法 UserCF:User Collaboration Filter,基于用户的协同过滤算法核心思想:在一个在线推荐系统中,当用户A需要个性化推荐 ...
基于用户的协同过滤算法
最近写搜索引擎文章写多了,来一篇之前写的老文,给那些对推荐算法感兴趣想入门的人吧,最近也在做推荐广告系统,又翻出来看了看. 什么是推荐算法推荐算法最早在1992年就提出来了,但是火起来实际上是最近这 ...
python协同过滤电影推荐_python实现基于用户的协同过滤算法(CF)——以电影评价数据(ml-100k)为例...
程序简介项目以ml-100k电影评分数据集为输入,实现了基于用户的协同过滤算法,最后预测的MAE为0.84,因为经过优化,10万条评分数据运行时间不超过2分钟协同过滤算法(CF)基于对用户历史行为 ...
基于用户的协同过滤算法详解
0. 前言基于领域的推荐算法是推荐系统中最基本的算法,此类算法不仅在学术界得到了深入研究,而且在工业界也得到了广泛地应用.基于领域的推荐算法主要分为两大类:一类是基于用户的协同过滤算法(User B ...
【推荐系统】{1} —— 基于用户的协同过滤算法
协同过滤(英语:Collaborative Filtering,简称CF),简单来说是利用某兴趣相投.拥有共同经验之群体的喜好来推荐用户感兴趣的信息,个人透过合作的机制给予信息相当程度的回应(如评分) ...
推荐系统实践----基于用户的协同过滤算法（python代码实现书中案例）
本文参考项亮的<推荐系统实践>中基于用户的协同过滤算法内容.因其中代码实现部分只有片段,又因本人初学,对python还不是很精通,难免头大.故自己实现了其中的代码,将整个过程走了一遍. 1 ...
推荐系统实践(一)----基于用户的协同过滤算法(UserCF)
随着信息技术和互联网的发展,人们逐渐从信息匮乏的时代走入了信息过载的时代.在这个时代,无论是信息消费者还是信息生产者都遇到了很大的挑战:如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情,这 ...
推荐算法——基于用户的协同过滤算法（User-base CF）的java实现
推荐算法--基于用户的协同过滤算法(User-base CF)的java实现推荐系统什么是推荐系统为什么要有推荐系统推荐算法基于用户的协同过滤算法(User-base CF) 算法介绍代码 ...

基于用户的协同过滤算法

计算用户相似度和用户对未知物品的可能评分

注：计算C和A之间的相似度（未经过one-hot编码得出的结果，经过one-hot编码得出的结果与实际数据一致）

基于用户的协同过滤算法相关推荐

最新文章

热门文章

基于用户 的协同过滤算法

计算用户相似度和用户对未知物品的可能评分

注：计算C和A之间的相似度（未经过one-hot编码得出的结果，经过one-hot编码得出的结果与实际数据一致）

基于用户 的协同过滤算法相关推荐

最新文章

热门文章

基于用户的协同过滤算法

基于用户的协同过滤算法相关推荐