基於使用者的協同過濾(user-based CF)推薦系統【2】
阿新 • • 發佈:2018-12-31
這一篇是緊跟著上一篇基於使用者的協同過濾(user-based CF)推薦系統【1】的,這一篇只是把計算相似度的方法換成了餘弦相似度,當然最後計算評分的公式也就變了。下面只把有變化的那部分程式碼貼出來。直接替換到上一篇裡面的程式碼就可以了。
simpleCF.py
part1 += user_movie[u][m]*user_movie[n][m]*1.0
part2 += pow(user_movie[u][m], 2)*1.0
part3 += pow(user_movie[n][m], 2)*1.0
for n, nuw in sorted(userSim[user].items (),key=itemgetter(1),reverse=True)[0:N]:
average_n_rate = average_rating(n) #使用者n的平均分
for i, nrating in user_movie[n].items(): #使用者n看過電影集合及評分
# filter movies user interacted before
if i in interacted_items:
continue
pred.setdefault(i,0 )
pred[i] += nuw * nrating
sumUserSim += nuw
for i, rating in pred.items():
pred[i] = (pred[i]*1.) / sumUserSim
只是simpleCF.py這個檔案有點改動,evaluateRecom.py檔案沒有改動。
Tips:初學推薦系統的朋友可以看看這篇文章,2005年的,比較久了,但是比較基礎,裡面介紹了
collaboratiofiltering,content-based recommendation, hybrid recommendation,比較全。
http://dl.acm.org/citation.cfm?id=1070751
Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions