推荐系统项目，目的在于向合适的用户发放调研问卷_recommandation.zip

# recommandation [](https://www.python.org/)<br> [](https://pypi.python.org/pypi/pandas/) [](https://pypi.python.org/pypi/numpy/) [](https://pypi.python.org/pypi/pyspark/) ## 语言 Python3.5<br> ## 依赖库 pandas=0.21.0<br> numpy=1.13.1<br> pyspark=1.6.1<br> ## 原理说明 推荐系统的原理在于计算用户对各个物品的期望，从而将高期望的物品推荐给用户。本人写的方法有： ### 物品的相似度矩阵:similar_matrix.py 原始数据为用户-物品是否购买的一个0-1矩阵(m\*n)。通过计算物品两两间的相似度，从而得到物品的相似度矩阵(n\*n)。相似度矩阵\*用户-物品矩阵(即原始数据)，就可以得到用户已购买物品对未购买物品的一个权重求和，从而得到用户对每个物品的购买期望(m\*n)*(n\*n)=m\*n的推荐矩阵<br>  ### ALS矩阵分解:ALS.py 原始数据为用户-物品打分或者是否购买矩阵(m\*n)。通过矩阵分解，将m\*n的矩阵分解为m\*k的用户矩阵和k\*n的物品矩阵，(m\*k)*(k\*n)=m\*n的推荐矩阵，从而从而得到用户对每个物品的购买期望(填充了原来的缺失值或0值）。ALS的使用范围要大于相似度矩阵，且精确性要更高，矩阵分解可以直观的得到用户特征和物品特征。<br>  ### ALS矩阵分解在pyspark上有现成模块:mllib_recommandation    ### SVD矩阵分解:Recommandation_SVD 原始数据为用户-物品打分或者是否购买矩阵(m\*n)。通过矩阵分解，将m\*n的矩阵分解为m\*m的用户矩阵、m\*n的特征矩阵和n\*n的物品矩阵。再降至k维，m\*k的用户矩阵、k\*k的特征矩阵和k\*n的物品矩阵，(m\*k)*(k\*n)=m\*n的推荐矩阵。通过用户购买向量\*k\*n的物品矩阵\*k\*k的特征矩阵的逆得到空间位置，求得余弦相似度、欧氏距离等来查询相似用户和相近产品<br>