1、因為是某一品類的特殊電商平台，賣的商品幾百種，但是使用者幾十萬。這種情況，考慮使用itemcf，至於為什麼不是usercf：物品相似度矩陣為 500*500，使用者相似度矩陣為 500000*500000。但是也有乙個問題，使用物品相似度矩陣會不會使資訊丟失更多。
2、類似電影評分資料集，使用者-電影-評分資料，要把原始資料轉換為使用者-物品-評分格式。
瀏覽：1，收藏：3，購買：5 # 每種行為對應的得分class datapro:
def __init__(self):
self.train = dict()
logs = mysql.fetchall(select_sql)
for temp in logs: # mysql查詢得到的使用者日誌
user = temp['user_id']
item = temp['product_id']
type = temp['type']
#print(user,item)
score = int(type_score_dict[type])
if user not in self.train.keys():
self.train.setdefault(user, {})
if item not in self.train[user].keys():
self.train[user].setdefault(item,0)
if score > self.train[user][item]:
self.train[user][item] = score
# 儲存到本地
output = open('../model/data.pkl', 'wb')
pickle.dump(self.train, output)
output.close()
# 讀取檔案
pkl_file = open('../model/data.pkl', 'rb')
self.data = pickle.load(pkl_file)
顯示評分和隱式評分的資料，其相似度矩陣的計算公式有所不同
隱式評分：
\[sim(i,j) =\frac}}\tag
\]\(n(i)\)和\(n(j)\)分別表示喜歡物品\(i\)和物品\(j\)的人數。
顯式評分
\[\text(i, j) = \frac} r_ \cdot r_}} r_^2} \cdot\sqrt} r_^2}}\tag
\]其中\(r_\)和\(r_\)分別表示使用者 \(u\) 對物品 \(i\)和 \(j\) 的評分，\(u_\)代表同時喜歡物品 \(i\)和 \(j\) 的使用者集合。
3.1 基於隱式評分
def itemsimilarity(self):
# 乙個字典，記錄 rui*ruj
# 乙個字典 記錄 rui^2
# 建立物品-物品的共現矩陣
item2item = dict() # 物品-物品的共現矩陣。分子
buy = dict() # 物品被多少個不同使用者進行過評分。分母
for user, items in self.data.items():
for i in items.keys():
buy.setdefault(i, 0)
buy[i] += 1
item2item.setdefault(i, {})
for j in items.keys():
if i == j: continue
item2item[i].setdefault(j, 0)
item2item[i][j] += 1
# 計算相似度矩陣
self.similar_matrix = dict()
for i, related_items in item2item.items():
self.similar_matrix.setdefault(i, {})
for j, cij in related_items.items():
self.similar_matrix[i][j] = cij / (math.sqrt(buy[i]) * math.sqrt(buy[j]))
return self.similar_matrix
def itemsimilarity(self):
# 乙個字典，記錄 rui*ruj
# 乙個字典 記錄 rui^2
# 建立物品-物品的共現矩陣
item2item = dict() # 物品-物品的共現矩陣。記錄rui*ruj，分子
buy = dict() # 物品被多少個不同使用者進行過評分。記錄rui*rui分母
for user, items in self.data.items():
for i in items.keys():
buy.setdefault(i, 0)
temp = items[i]*items[i]
buy[i] += temp
item2item.setdefault(i, {})
for j in items.keys():
if i == j: continue
item2item[i].setdefault(j, 0)
item2item[i][j] += items[i]*items[j]
# 計算相似度矩陣
self.similar_matrix = dict()
for i, related_items in item2item.items():
self.similar_matrix.setdefault(i, {})
for j, cij in related_items.items():
self.similar_matrix[i][j] = cij / (math.sqrt(buy[i]) * math.sqrt(buy[j]))
return self.similar_matrix
def get_recommend(self,user_id):
k = 20 # 和某物品相似的k個物品
n = 10 # 推薦最相似的10個物品
rank = {}
watched_items = self.data[user_id]
for item,rating in watched_items.items():
for related_item,w in sorted(self.similar_matrix[item].items(),key=itemgetter(1),reverse=true)[:k]:
rank.setdefault(related_item,0)
rank[related_item] += w*float(rating)
return sorted(rank.items(),key=itemgetter(1),reverse=true)[:n]
2、基於當前資料的itemcf完成之後，之後對每天活躍的使用者進行推薦結果更新。此時，要實現相似度矩陣的增量更新。
對於電影推薦，計算得到推薦的電影即可。
商品推薦，額外的要求是每天推薦結果的新穎性。2020-8-10 和 2020-8-11 兩天在首頁展示的推薦商品，要求不一樣。乙個解決方案：過濾掉昨天的推薦物品。
基於物品的協同過濾推薦
思想 利用物品間的相似度，給使用者推薦與使用者過去行為物品相似的物品。資源 使用者物品評分矩陣 填空，即對使用者沒有過評分的物品進行 打分 物品相似度評測 改進的余弦相似度 u 表示使用者集，用r表示n m的評分矩陣，rij代表評分項，表示使用者i對物品j的評分。公式分子可以理解為 兩個物品有共同評...
推薦系統 基於物品的協同過濾推薦 入門
而基於物品的協同過濾則是找出最相似的物品，再結合使用者的評價來給出推薦結果。基於使用者的協同過濾又稱為記憶體型協同過濾，因為我們需要將所有的評價資料都儲存在記憶體中來進行推薦。基於物品的協同過濾也稱為基於模型的協同過濾，因為我們不需要儲存所有的評價資料，而是通過構建乙個物品相似度模型來做推薦。1.修...
推薦演算法 基於物品的協同過濾演算法
itemcf itemcollaborationfilter，基於物品的協同過濾 比如，使用者a之前買過 資料探勘導論 該演算法會根據此行為給你推薦 機器學習 但是itemcf演算法並不利用物品的內容屬性計算物品之間的相似度，它主要通過分析使用者的行為記錄計算物品之間的相似度。該演算法認為，物品a和...