import random
import math
from operator import itemgetter
# 基于物品的协同过滤算法
# 1.读入数据
# 2.构建train-set
# 3.构建movie-popular表 存入每个电影出现的总数量
# 4.构建movie-sim矩阵 存入每两个电影同时出现的次数
# 5.将movie-sim矩阵中的值计算为他们的相似度
# 6.选出排名前十的电影 推荐给用户
class item():
def set_movie(self):
self.train_set={}
self.test_set={}
self.movie_sim_matrix = {}
self.movie_popular = {}
self.movie_count = 0
print("初始化完成!")
def get_user_data(self,filename):
for file in self.load_file(filename):
user,movie,grade=file.split(',')
if random.random() < 0.75:
self.train_set.setdefault(user,{})
self.train_set[user][movie]=grade
else:
self.test_set.setdefault(user,{})
self.test_set[user][movie]=grade
self.movie_count+=1
print("训练集和测试集构建完成!")
def set_movie_sim(self):
for user, movies in self.train_set.items():
for n,movie in enumerate(movies):
self.movie_popular.setdefault(movie,0)
self.movie_popular[movie]+=1
print("流行电影表构建完成!")
for user,movies in self.train_set.items():
for m1 in movies:
for m2 in movies:
if m1==m2:
continue
self.movie_sim_matrix.setdefault(m1,{})
self.movie_sim_matrix[m1].setdefault(m2,0)
self.movie_sim_matrix[m1][m2]+=1
print("电影相似度邻接矩阵构建完成!")
for m1,movies in self.movie_sim_matrix.items():
for m2 in self.movie_sim_matrix[m1]:
self.movie_sim_matrix[m1][m2]=self.movie_sim_matrix[m1][m2]/math.sqrt(self.movie_popular[m1]*self.movie_popular[m2])
print("电影相似度邻接矩阵构建完成!")
def rec_movie(self,user):
K=10
re_movies= {}
watch_movie=self.train_set[user]
for movie,grade in watch_movie.items():
for relate_movie,g in sorted(self.movie_sim_matrix[movie].items(),key=itemgetter(1),reverse=True)[:K]:
if relate_movie not in watch_movie:
re_movies.setdefault(relate_movie,0)
re_movies[relate_movie]=float(grade)*g
print("推荐电影表构建完成!")
print(re_movies)
def load_file(self,filename):
with open(filename,'r') as f:
for i,line in enumerate(f):
if i == 0:
continue
yield line.strip('\r\n')
print("文件录入成功!")
if __name__=="__main__":
rating_file = 'C:\\Users\\lenovo\\Desktop\\新建文本文档.csv'
i=item()
i.set_movie()
i.get_user_data(rating_file)
i.set_movie_sim()
i.rec_movie("A")
没有合适的资源?快使用搜索试试~ 我知道了~
基于Python实现了基于物品的协同过滤推荐算法和基于用户的协同过滤推荐算法.zip
共4个文件
py:2个
gitignore:1个
csv:1个
需积分: 5 0 下载量 115 浏览量
2024-05-19
21:56:40
上传
评论
收藏 4KB ZIP 举报
温馨提示
协同过滤算法(Collaborative Filtering)是一种经典的推荐算法,其基本原理是“协同大家的反馈、评价和意见,一起对海量的信息进行过滤,从中筛选出用户可能感兴趣的信息”。它主要依赖于用户和物品之间的行为关系进行推荐。 协同过滤算法主要分为两类: 基于物品的协同过滤算法:给用户推荐与他之前喜欢的物品相似的物品。 基于用户的协同过滤算法:给用户推荐与他兴趣相似的用户喜欢的物品。 协同过滤算法的优点包括: 无需事先对商品或用户进行分类或标注,适用于各种类型的数据。 算法简单易懂,容易实现和部署。 推荐结果准确性较高,能够为用户提供个性化的推荐服务。 然而,协同过滤算法也存在一些缺点: 对数据量和数据质量要求较高,需要大量的历史数据和较高的数据质量。 容易受到“冷启动”问题的影响,即对新用户或新商品的推荐效果较差。 存在“同质化”问题,即推荐结果容易出现重复或相似的情况。 协同过滤算法在多个场景中有广泛的应用,如电商推荐系统、社交网络推荐和视频推荐系统等。在这些场景中,协同过滤算法可以根据用户的历史行为数据,推荐与用户兴趣相似的商品、用户或内容,从而提高用户的购买转化率、活跃度和社交体验。 未来,协同过滤算法的发展方向可能是结合其他推荐算法形成混合推荐系统,以充分发挥各算法的优势。
资源推荐
资源详情
资源评论
收起资源包目录
基于Python实现了基于物品的协同过滤推荐算法和基于用户的协同过滤推荐算法.zip (4个子文件)
content
新建文本文档.csv 147B
User_CF.py 3KB
.gitignore 2KB
Item_CF.py 3KB
共 4 条
- 1
资源评论
生瓜蛋子
- 粉丝: 3912
- 资源: 7441
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功