利⽤Python实现简单的基于⽤户的商品推荐模型
利⽤ Python 实现简单的基于⽤户的商品推荐模型
  设计思想：
  出与该⽤户具有相似购物习惯的其他⽤户，例如他们曾经购买过⼀些相同的商品，然后将其他⽤户购买过但是该⽤户未曾购买的商品推荐给他。
  简单讲就是当⼀个⽤户 A 需要个性化推荐时，可以先到和他兴趣相似的⽤户体 C，然后把 C 喜欢的、并且 A 没有听说过的物品推荐给 A，也就是基于⽤户的商品推荐算法。
  实现原理：
①　到与⽬标⽤户兴趣相似的⽤户集合；
②　到这个集合中⽤户喜欢的、并且⽬标⽤户没有听说过的物品推荐给⽬标⽤户。
  实验结果：
  实验源码：
  uid_
summer,4.0 ,1
lina,5.0 ,1
tom,5.0 ,1
xixi,5.0 ,1
aliyun,5.0 ,1
summer,5.0 ,2
xiaoming,4.0 ,2
aliyun,4.0 ,2
lina,5.0 ,2
odi,5.0 ,2
summer,5.0 ,3
violetblue,5.0 ,3
frogsun,4.0 ,3
lina,4.0 ,3
Alaleio,5.0 ,3
alod,1.0 ,4
tom,1.0 ,4
aliyun,1.0 ,4
lina,1.0 ,4
keol,1.0 ,4
shih3,4.0 ,5
tom,5.0 ,5
summer,4.0 ,5
meimei,4.0 ,5
xixi,4.0 ,5
  baseUserRecomment.py
# -*-coding:utf-8-*-
from math import sqrt
fp =open("uid_","r")
users ={}
for line in open("uid_"):
lines = line.strip().split(",")
lines = line.strip().split(",")
if lines[0]not in users:
users[lines[0]]={}
users[lines[0]][lines[2]]=float(lines[1])
class recommender:
# data：数据集，这⾥指users
# k：表⽰得出最相近的k的近邻
# metric：表⽰使⽤计算相似度的⽅法
# n：表⽰推荐item的个数
def__init__(self, data, k=3, metric='pearson', n=12):
self.k = k
self.n = n
self.username2id ={}
self.userid2name ={}
self.productid2name ={}
ic =='pearson':
self.fn = self.pearson
if type(data).__name__ =='dict':
self.data = data
def convertProductID2name(self,id):
if id in self.productid2name:
return self.productid2name[id]
else:
return id
# 定义的计算相似度的公式，⽤的是⽪尔逊相关系数计算⽅法
def pearson(self, rating1, rating2):
sum_xy =0
sum_x =0
sum_y =0
sum_x2 =0
sum_y2 =0
n =0
for key in rating1:
if key in rating2:
n +=1
x = rating1[key]
y = rating2[key]
sum_xy += x * y
sum_x += x
sum_y += y
sum_x2 +=pow(x,2)
sum_y2 +=pow(y,2)
if n ==0:
return0
# ⽪尔逊相关系数计算公式
denominator = sqrt(sum_x2 -pow(sum_x,2)/ n)* sqrt(sum_y2 -pow(sum_y,2)/ n) if denominator ==0:
return0
else:
return(sum_xy -(sum_x * sum_y)/ n)/ denominator
def computeNearestNeighbor(self, username):
python新手代码useriddistances =[]
for instance in self.data:
if instance != username:
distance = self.fn(self.data[username], self.data[instance])
distances.append((instance, distance))
distances.append((instance, distance))
distances.sort(key=lambda artistTuple: artistTuple[1], reverse=True)
return distances
# 推荐算法的主体函数
def recommend(self, user):
# 定义⼀个字典，⽤来存储推荐的商品和分数
recommendations ={}
# 计算出user与所有其他⽤户的相似度，返回⼀个list
nearest = selfputeNearestNeighbor(user)
# print(nearest)
userRatings = self.data[user]
# print(userRatings)
totalDistance =0.0
# 得住最近的k个近邻的总距离
for i in range(self.k):
totalDistance += nearest[i][1]
if totalDistance ==0.0:
totalDistance =1.0
# 将与user最相近的k个⼈中user没有买过的商品推荐给user，并且这⾥⼜做了⼀个分数的计算排名for i in range(self.k):
# 第i个⼈的与user的相似度，转换到[0,1]之间
weight = nearest[i][1]/ totalDistance
# 第i个⼈的name
name = nearest[i][0]
# 第i个⽤户买过的商品和相应的打分
neighborRatings = self.data[name]
for artist in neighborRatings:
if not artist in userRatings:
if artist not in recommendations:
recommendations[artist]=(neighborRatings[artist]* weight)
else:
recommendations[artist]=(recommendations[artist]+ neighborRatings[artist]* weight)
recommendations =list(recommendations.items())
recommendations =[(vertProductID2name(k), v)for(k, v)in recommendations] # 做了⼀个排序
recommendations.sort(key=lambda artistTuple: artistTuple[1], reverse=True) return recommendations[:self.n], nearest
def adjustrecommend(id):
itemid_list =[]
r = recommender(users)
k, nearuser = r.recommend("%s"%id)
for i in range(len(k)):
itemid_list.append(k[i][0])
return itemid_list, nearuser[:3]# itemid_list推荐商品的id，nearuser[:n]最近邻的n个⽤户
itemid_list, near_list = adjustrecommend("lina")
print("itemid_list:", itemid_list)
print("near_list:", near_list)

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。