机器学习-推荐算法-皮尔逊相关系数

介绍

比如用户E看了4个影片，分别是‘无双’，‘逃学威龙1’，‘逃学威龙2’，‘他人笑我太疯癫’  都打了不同的分。用户A看了‘唐伯虎点秋香’,'逃学威龙1'，‘追龙’，‘他人笑我太疯癫’ 也打了不同的分。现求他们两人的相似度。利用皮尔逊相似度算法的优点是 只要他们的打分不是0并且观影相同的影片2个以上都会有相似的地方。用户相似可以相互推荐不同的影片。根据相似度排序获取高度相似的用户。

代码

#!/usr/bin/env python 
# -*- coding:utf-8 -*-
# @Time    : 2019/1/16 17:14
# @Author  : fuch
# @File    : recommend.py
from math import sqrt
# 比如有5个用户分别给自己看的电影打分
users = {
    '用户A': {'唐伯虎点秋香': 5, '逃学威龙1': 1, '追龙': 2, '他人笑我太疯癫': 0},
    '用户B': {'唐伯虎点秋香': 4, '喜欢你': 2, '暗战': 3.5},
    '用户C': {'复仇者联盟1': 4.5, '逃学威龙1': 2, '大黄蜂': 2.5, '蜘蛛侠：平行宇宙': 2, '巴霍巴利王：开端': 4},
    '用户D': {'狗十三': 2, '无双': 5},
    '用户E': {'无双': 4, '逃学威龙1': 4, '逃学威龙2': 4.5, '他人笑我太疯癫': 3}
}

# 现在要给用户E找相似用户
user = '用户E'
userInfo = users[user]
for u in users:
    if u != user:
        sum_x, sum_y, sum_x2, sum_y2, sum_xy, n = 0, 0, 0, 0, 0, 0
        for key, value in users[u].items():
            if key in userInfo.keys():
                x = userInfo[key]
                y = value
                sum_x += x
                sum_y += y
                sum_x2 += pow(x, 2)
                sum_y2 += pow(y, 2)
                sum_xy += x * y
                n += 1
        if n > 0:
            denominator = sqrt(sum_x2 - pow(sum_x, 2) / n) * sqrt(sum_y2 - pow(sum_y, 2) / n)
            result = 0.
            if denominator > 0:
                result = (sum_xy - (sum_x * sum_y) / n) / denominator
                print("{} to {} score => {}".format(user, u, result))