一：物品相似度計算&推薦原始碼（演算法參考項亮《推薦系統實戰》P55）：
其他程式碼模組參考我的另外一篇部落格：
這裡寫連結內容

 def ItemSimilarity(self, train=None):
        train = self.traindata or train
        #calculate co-rated users between items
        C = dict()
        N = dict()
        for u , items in train.items():
            for i in items:
                N.setdefault(i,0
 
)
                N[i] += 1
                for j in items:
                    if i == j:
                        continue
                    C.setdefault(i,{})
                    C[i].setdefault(j, 0)
                    C[i][j] += 1
        #calculate final similarity matrix W
        self.W=dict()
        for
 
 i, related_items in C.items():
            for j ,cij in related_items.items():
                if i==j:
                    continue
                self.W.setdefault(i,{})
                self.W[i].setdefault(j,0)
                self.W[i][j]=cij/math.sqrt(N[i]*N[j]*1.0)
        return self.W

    def
 
 recommend(self,user_id,train=None ,k=8,nitem=40):
        train = self.traindata or train
        rank=dict()
        ru = train[user_id]
        for i ,pi in ru.items():
            for j ,wj in sorted(self.W[i].items(),key = lambda x : x[1],reverse=True)[0:k]:
                if j in ru:
                    continue
                rank.setdefault(j,0)
                rank[j] += pi*wj

        return dict(sorted(rank.items(),key = lambda x :x[1],reverse = True)[0:nitem])

測試語句：

w=cf.ItemSimilarity()
print w['242']['86']
print "**************************"
R=cf.recommend('196')
print R.keys()

實驗結果：
1，物品id=242 與物品id=86的相似度
w[‘242’][‘86’]

2，對user_id=196的推薦的物品

3，結果（K=8取最相似的8個物品的集合，nitem=10 取推薦的前10個物品,資料集：u1.base）

資料集：u.date

問題：不知道為啥，這個跑的過程相當慢O__O “…，比userbasedcf慢4倍左右

二：改進演算法

def ItemSimilarity(self, train=None):
        train = self.traindata or train
        #calculate co-rated users between items
        C = dict()
        N = dict()
        self.W=dict()
        for u , items in train.items():
            for i in items.keys():
                N.setdefault(i,0)
                N[i] += 1
                for j in items.keys():
                    if i == j:
                        continue
                    C.setdefault(i,{})
                    C[i].setdefault(j, 0)
                    C[i][j] += 1/math.log( 1+ len(items)*1.0)
        #calculate final similarity matrix W
        for i, related_items in C.items():
            for j ,cij in related_items.items():
                if i==j:
                    continue
                self.W.setdefault(i,dict())
                self.W[i][j] = cij/math.sqrt(N[i]*N[j]*1.0)

執行結果：