推荐算法：基于用户的协同过滤算法

傷城~ 2022-05-11 12:36 328阅读 0赞

*  参考《推荐系统实践》项亮
 *  概念： 协同过滤算法  
    在一个在线个性化推荐系统中,当一个用户 A 需要个性化推荐  
    时,可以先找到和他有相似兴趣的其他用户,然后把那些用户喜欢的、而用户 A 没有听说过的物品推荐给 A

# 概念：协同过滤算法 #

基于用户的协同过滤算法主要包括两个步骤。  
(1) 找到和目标用户兴趣相似的用户集合。  
(2) 找到这个集合中的用户喜欢的,且目标用户没有听说过的物品推荐给目标用户。

1.  如何计算两个用户的兴趣相似度？  
    协同过滤算法（UserCF）， 具体计算如下：  
    给定用户 u 和用户 v ,令 N(u) 表示用户 u 曾经有过正反馈的物品集合,令 N(v)  
    为用户 v 曾经有过正反馈的物品集合。那么,我们可以通过如下几种的相似度计算公式简单地计算 u 和 v 的兴趣相似度:  
    ![在这里插入图片描述][70]
2.  如何计算： 用户对某商品的感兴趣程度？  
    得到用户之间的兴趣相似度后, UserCF 算法会给用户推荐和他兴趣最相似的 K 个用户喜欢的物品。  
    如下的公式度量了 用户 u 对物品 i 的感兴趣程度:  
    ![在这里插入图片描述][70 1]

# 如何使用python编码实现？ #

假设有用户-商品数据如下：

1::a	1::b	1::c	2::a	
    2::b	3::c	4::a	4::d

## 1. 第一步：求出两个用户之间的相似度 ##

使用<用户相似度算法>：如 jaccard相似度算法  
![在这里插入图片描述][70 2]  
得到的结果如下：  
![在这里插入图片描述][70 3]

## 2. 第二步：选择最相似的用户群 ##

![在这里插入图片描述][70 4]

## 3. 第三步：过滤&生成商品推荐列表 ##

![在这里插入图片描述][70 5]  
完整代码如下：

# -*-coding:utf-8-*-
    ##################第一步：求出两个用户之间的相似度############
    #john breese相似度算法
    import math
    def userLikenessJohnbreese(u,userItemsDict,v,itemUsersDict):
        # 相似度
        sum = 0.0
        setA = set(userItemsDict[u])
        setB = set(userItemsDict[v])
        common = setA.intersection(setB)
        # 循环交集
        for i in common:
            # 商品的交互用户数==商品i的流行度
            iusers = itemUsersDict[i].__len__()
            sum = sum + (1.0 / math.log10(iusers + 1))
        return sum / math.sqrt(setA.__len__() * setB.__len__())
    
    ##################第二步：选择最相似的用户群 ############
    def getMostLikeUserGroupK(userItemsDict,itemUsersDict):
        # 字典
        M = {}
        for u,itemsU in userItemsDict.items():
            for v,itemsV in userItemsDict.items():
                if u < v:
                    if u not in M.keys():
                        M[u] = {}
                    if v not in M.keys():
                        M[v] = {}
                    # 计算相似度
                    ratio = userLikenessJohnbreese(u,userItemsDict,v,itemUsersDict)
                    M[u][v] = ratio
                    M[v][u] = ratio
        # 对M中每个用的相似度字典按照相似度倒排序
        M2 = {}
        for k,v in M.items():
            M2[k] = sorted(v.items(), key=lambda e: e[1], reverse=True)
        return M2
    
    #################第三步：过滤&生成商品推荐列表#############
    def recommUserCF(u , K):
        # 准备数据：返回的推荐字典[],用户->商品之间的字典, 商品->用户之间的字典
        recommDict = {}
        userItemsDict = {}
        itemUsersDict = {}
        file = open("/home/wang/IdeaProjects/big124/mypython/a")
        while True :
            line = file.readline()
            if line != '':
                arr = line.replace("\n","").split("\t").split("::")
                uid = int(arr[0])
                iid = str(arr[1])
                # userItemDict
                if uid in userItemsDict.keys():
                    userItemsDict[uid].append(iid)
                else :
                    userItemsDict[uid] = [iid]
                # itemUsersDict
                if iid in itemUsersDict.keys():
                    itemUsersDict[iid].append(uid)
                else:
                    itemUsersDict[iid] = [uid]
            else:
                break ;
    
        # 1, 得到最相似的K个用户
        kUsers = getMostLikeUserGroupK(userItemsDict,itemUsersDict)[u][:K]
        for v, simV in kUsers:
            vitems = userItemsDict[v]
            for vi in vitems:
                if vi not in userItemsDict[u]:
                    if vi not in recommDict.keys():
                        recommDict[vi] = 0.0
                    recommDict[vi] = recommDict[vi] + simV
                    #2, 过滤商品,生成推荐列表： { 商品1:sum相似度值 , 商品2:sum相似度值  }
        return sorted(recommDict.items() , key = lambda e : e[1] ,reverse=True)
    
    ##################测试结果#################
    if __name__ =="__main__":
        recommList=recommUserCF(2,3)
        for i in recommList:
            print i
    #('c', 1.533734661597076)
    #('d', 0.8304820237218405)

[70]: /images/20220505/aedf1501e70840b29170106a0f4e727e.png
[70 1]: /images/20220505/bd5c4f03514a4cf7a82190c06c900cf4.png
[70 2]: /images/20220505/69d654dcc60846b2a5049dc02aa36460.png
[70 3]: /images/20220505/76f1eb940ea04cf096f3fd9cf33ef181.png
[70 4]: /images/20220505/aa6922b7fe17458dac910e319818db03.png
[70 5]: /images/20220505/03468dc3e06d40a39e41d2d0ba9812c5.png