机器学习--协同过滤实验及源码（Python版）_python协同过滤算法模型评估效果比较

 
import numpy as np  
#（1）数据输入。
users = ["贝贝", "晶晶", "欢欢", "迎迎", "妮妮"]  
movies = ["战狼2", "哪吒之魔童转世", "流浪地球", "红海行动", "唐人街探案2", "美人鱼", "我和我的祖国"]  
UsMoList=[  
            [1, 1, 1, 0, 1, 0, 0],  
            [0, 1, 1, 0, 0, 1, 0],  
            [1, 0, 1, 1, 1, 1, 1],  
            [1, 1, 1, 1, 1, 0, 0],  
            [1, 1, 0, 1, 0, 1, 1]]  
   
#（2）将行转为列
def RowConverCol():  
    return np.array(UsMoList).transpose().tolist()  
   
#（3）使用欧氏距离计算两个电影之间的相似度。
def euc_mv_sim(movieFirst: list, movieSecond:list):
    return np.sqrt(((np.array(movieFirst) - np.array(movieSecond)) ** 2).sum())  
   
#（4）计算所有电影之间的相似度。
def allmv_sim():  
    resDic = {}  
    tempList = RowConverCol()  
    for i in range(0, len(tempList)):  
        for j in range(i+1, len(tempList)):  
            resDic[str(i) + '-' + str(j)] = euc_mv_sim(tempList[i], tempList[j])  
    return resDic  
   
  #（5）计算要推荐哪些电影。 
def comput_Rec_mo(username: str) -> list:  
    temp = {}  
    mo_sim_dic = allmv_sim()  
    userindex = users.index(username)  
    TargetUsermovieList = UsMoList[userindex]  
    for i in range(0, len(TargetUsermovieList)):  
        for j in range(i+1, len(TargetUsermovieList)):  
            if TargetUsermovieList[i] == 1 and TargetUsermovieList[j] == 0 and (mo_sim_dic.get(str(i) + '-' + str(j)) != None or mo_sim_dic.get(str(j) + '-' + str(i)) != None):  
                sim = mo_sim_dic.get(str(i) + '-' + str(j)) if(mo_sim_dic.get(str(i) + '-' + str(j)) != None) else mo_sim_dic.get(str(j) + '-' + str(i))  
                temp[j] = sim  
            elif TargetUsermovieList[i] == 0 and TargetUsermovieList[j] == 1 and (mo_sim_dic.get(str(i) + '-' + str(j)) != None or mo_sim_dic.get(str(j) + '-' + str(i)) != None):
                sim = mo_sim_dic.get(str(i) + '-' + str(j)) if (mo_sim_dic.get(str(i) + '-' + str(j)) != None) else mo_sim_dic.get(str(j) + '-' + str(i))  
                temp[i] = sim  
    temp = sorted(temp.items(), key=lambda d:d[1])  
    #temp = sorted(temp.items()) 
    print("推荐列表：",temp)  
    recommendlist = [movies[i] for i,v in temp]  
    print("电影推荐：", recommendlist)  
    return recommendlist  
print(allmv_sim())  
   
comput_Rec_mo("晶晶")  
comput_Rec_mo("欢欢")  

# -*- coding=utf-8 -*-    
import math    
from operator import *    
 
#（1）将原始数据存储到一个用户字典dic中。 
dic = {'贝贝': ('战狼2', '哪吒之魔童降世', '红海行动'), '晶晶': ('战狼2', '流浪地球'), '欢欢': ('哪吒之魔童降世', '唐人街探案2'), '迎迎': ('流浪地球', '红海行动', '唐人街探案2')}    
    
#（2）将dic字典转成商品-用户字典。
#计算用户兴趣相似度    
def userSim(dicc):    
    #把用户-商品字典转成商品-用户字典  
    item_user=dict()    
    for u,items in dicc.items():    
        for i in items:  
            if i not in item_user.keys():    
                item_user[i]=set() #i键所对应的值是一个集合（不重复）。 
            item_user[i].add(u)    
    
    C=dict()#真实数据集为数字编号，但这里是字符，这里还用字典。    
    N=dict()    
    for item,users in item_user.items():    
        for u in users:    
            if u not in N.keys():    
                N[u]=0     
            N[u]+=1 #每个商品下用户出现一次就加一次，就是计算每个用户一共购买的商品个数。    
              
            for v in users:    
                if u==v:    
                    continue    
                if (u,v) not in C.keys():#同上，没有初始值不能+=    
                    C[u,v]=0    
                C[u,v]+=1  
 
#（3)到这里倒排阵就建立好了，下面是计算相似度。    
    W=dict()    
    for co_user,cuv in C.items():    
        W[co_user]=cuv / math.sqrt(N[co_user[0]]*N[co_user[1]])    
    return W    
#（4）找到K个相关用户以及对应兴趣相似度，按兴趣相似度从大到小排列。 
def userRec(user,dicc,W2,K):    
    rvi=1 #这里都是1,实际中可能每个用户就不一样了。就像每个人都喜欢beautiful girl,但有的喜欢可爱的多一些，有的喜欢御姐多一些。    
    rank=dict()    
    related_user=[]    
    interacted_items=dicc[user]    
    for co_user,item in W2.items():    
        if co_user[0]==user:    
            related_user.append((co_user[1],item))#先建立一个和待推荐用户兴趣相关的所有的用户列表。    
    for v,wuv in sorted(related_user,key=itemgetter(1),reverse=True)[0:K]:    
        for i in dicc[v]:    
            if i in interacted_items:    
                continue   
            if i not in rank.keys():  
                rank[i]=0    
            rank[i]+=wuv*rvi    
    return rank    
    
    
if __name__=='__main__':    
    W3=userSim(dic)    
    Last_Rank=userRec('晶晶',dic,W3,2)    
    print (Last_Rank)