推荐算法之协同过滤

代码下载

# coding:UTF-8
'''
Date:20160928
@author: zhaozhiyong
'''import numpy as np
import pandasdef load_data(file_path):'''导入用户商品数据input:  file_path(string):用户商品数据存放的文件output: data(mat):用户商品矩阵'''f = open(file_path)   data = []for line in f.readlines():lines = line.strip().split("\t")tmp = []for x in lines:if x != "-":tmp.append(float(x))  # 直接存储用户对商品的打分else:tmp.append(0)data.append(tmp)f.close()return np.mat(data)def cos_sim(x, y):'''余弦相似性input:  x(mat):以行向量的形式存储，可以是用户或者商品y(mat):以行向量的形式存储，可以是用户或者商品output: x和y之间的余弦相似度'''numerator = x * y.T  # x和y之间的额内积denominator = np.sqrt(x * x.T) * np.sqrt(y * y.T) return (numerator / denominator)[0, 0]def similarity(data):'''计算矩阵中任意两行之间的相似度input:  data(mat):任意矩阵output: w(mat):任意两行之间的相似度'''m = np.shape(data)[0]  # 用户的数量# 初始化相似度矩阵w = np.mat(np.zeros((m, m)))for i in range(m):for j in range(i, m):if j != i:# 计算任意两行之间的相似度w[i, j] = cos_sim(data[i, ], data[j, ])w[j, i] = w[i, j]else:w[i, j] = 0return wdef user_based_recommend(data, w, user):'''基于用户相似性为用户user推荐商品input:  data(mat):用户商品矩阵w(mat):用户之间的相似度user(int):用户的编号output: predict(list):推荐列表'''m, n = np.shape(data)interaction = data[user, ]  # 用户user与商品信息# 1、找到用户user没有互动过的商品not_inter = []for i in range(n):if interaction[0, i] == 0:  # 没有互动的商品not_inter.append(i)# 2、对没有互动过的商品进行预测print('not_inter=',not_inter)predict={}dd=np.array(data)ww=np.array(w) if len(not_inter)>0:for i in not_inter:predict[i]=ww[:,user]@dd[:,i].Tprint(predict)return predictdef top_k(predict, k):'''为用户推荐前k个商品input:  predict(list):排好序的商品列表k(int):推荐的商品个数output: top_recom(list):top_k个商品'''pp=pandas.Series(predict)pp1=pp.sort_values(ascending=False)#top_recom = []len_result = len(predict)if k>=len_result:return pp1.iloc[:k]else:return pp1if __name__ == "__main__":# 1、导入用户商品数据print ("------------ 1. load data ------------")data = load_data("data.txt")# 2、计算用户之间的相似性print ("------------ 2. calculate similarity between users -------------"  )  w = similarity(data)# 3、利用用户之间的相似性进行推荐print ("------------ 3. predict ------------" )   predict = user_based_recommend(data, w, 0)# 4、进行Top-K推荐print ("------------ 4. top_k recommendation ------------")top_recom = top_k(predict, 1)print ('top_recom=',top_recom)

------------ 1. load data ------------
------------ 2. calculate similarity between users -------------
------------ 3. predict ------------
not_inter= [2, 4]
{2: 5.1030390226883604}
{2: 5.1030390226883604, 4: 2.2249110640673515}
------------ 4. top_k recommendation ------------
top_recom= 2    5.103039
4    2.224911
dtype: float64

推荐算法之协同过滤

推荐算法之协同过滤相关推荐

最新文章

热门文章

推荐算法 之协同过滤

推荐算法 之协同过滤相关推荐

最新文章

热门文章

推荐算法之协同过滤

推荐算法之协同过滤相关推荐