推荐算法个人感想

1.在我们逛淘宝,亚马逊,今日头条的时候,往往你在买了一件东西以后,亚马逊和淘宝都会给你推荐相似性的一些物品,今日头条在你点击对关于老司机的帖子感兴趣的时候,就会把关于老司机的帖子推荐给你,这是很有意思的。
2.推荐就分为了基于人的推荐和基于物品的推荐,基于物品的推荐就类似于我第一条写的东西,当你购买一件物品或者点击一条新闻的时候,就会推荐给你类似的东西。现在我们来谈谈关于人的推荐,协作型推荐。当你想看一部电影的时候,最简单的方式是什么呢?可以去豆瓣上面看一看评分?如果没有网怎么办,那就吃饭的时候咨询一下旁边的朋友呗,如果你俩对一部或者多部已经看过的影片聊得很来,那么他推荐给你的影片你有很大的可能性也爱看,这就是我们基于人的推荐,根据兴趣差不多的人来看看他们还看过一些其他什么样的影片,把他们觉得口碑很好的影片可以排个序,然后将最顶的影片推荐给用户就行了。
3.那么上面的过程是我们自己根据经验来推想的场景,那么应该怎么用计算机语言还有数学来描述这种现况呢?下面我们就来讲解一下,我们有一些数据,其中记录了一些用户对影片的评分,那么我们怎么来衡量,哪些用户会有一些比较相同的爱好呢?所以,为了解决这个问题我们又提出来了两个方法来衡量这个问题,也就是来描述这个问题,其中一个叫做欧几里得距离,另外一个叫做皮尔逊相关系数。通过两个数学方法来描述这个问题。
4.欧几里得距离,我忘了我们是在初中还是高中学习过这个问题,不过我们当时学习的是二维的,相信大家肯定也学习过,在一个二维的坐标系中,我们想要衡量两个点的相距的距离,应该怎么计算呢?应该是d=√[(x1-x2)²+(y1-y2)²],这是二维坐标系中的距离计算方法。刚刚我们知道我们现在的数据中里面是一个dict然后里面是人名对应另外一个dict(电影对象:评分),我们将里面不同电影称之为特征,然后我们就可以将其抽象成数据的维度,当然我们在初中或者高中的时候学过的只是最简单的二维调用,所以我们可以将上述公式进行扩展,维度之间进行相减之后然后求根,这就变成了我们现在的欧几里得距离的扩展计算,适应于多个维度之间的计算。这里面的话所对应的维度当然要相同,什么叫做所对应的维度要相同呢?也就是对相同的电影进行判断,而不是对应的顺序来进行判断。

# -*- coding: utf-8 -*-
"""
Created on Wed Nov 16 09:16:32 2016

@author: zhangxu
"""

critics={'Lisa Rose': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.5,
 'Just My Luck': 3.0, 'Superman Returns': 3.5, 'You, Me and Dupree': 2.5, 
 'The Night Listener': 3.0},
'Gene Seymour': {'Lady in the Water': 3.0, 'Snakes on a Plane': 3.5, 
 'Just My Luck': 1.5, 'Superman Returns': 5.0, 'The Night Listener': 3.0, 
 'You, Me and Dupree': 3.5}, 
'Michael Phillips': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.0,
 'Superman Returns': 3.5, 'The Night Listener': 4.0},
'Claudia Puig': {'Snakes on a Plane': 3.5, 'Just My Luck': 3.0,
 'The Night Listener': 4.5, 'Superman Returns': 4.0, 
 'You, Me and Dupree': 2.5},
'Mick LaSalle': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 
 'Just My Luck': 2.0, 'Superman Returns': 3.0, 'The Night Listener': 3.0,
 'You, Me and Dupree': 2.0}, 
'Jack Matthews': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0,
 'The Night Listener': 3.0, 'Superman Returns': 5.0, 'You, Me and Dupree': 3.5},
'Toby': {'Snakes on a Plane':4.5,'You, Me and Dupree':1.0,'Superman Returns':4.0}}

from math import sqrt

def calculateDistance(datas,person1,person2):
    person1MovieDataSet = datas[person1]
    person2MovieDataSet = datas[person2]
    commonMovieNames = []
    for movieName in person1MovieDataSet:
        if movieName in person2MovieDataSet:
            commonMovieNames.append(movieName)
    if(len(commonMovieNames) == 0):
        return 0
    sum = 0.0
    for movieName in commonMovieNames:
        sum += pow(datas[person1][movieName] - datas[person2][movieName],2)
    return 1/(1+sqrt(sum))
//给用户进行打分,选择推荐值最近的用户
def topMatch(datas,other,top=1,fun=calculateDistance):
    scores = [(fun(datas,person,other),person) for person in datas if person != other]
    scores.sort()
    scores.reverse()    
    return scores[0:top]
print topMatch(critics,'Lisa Rose',3)
print calculateDistance(critics,'Lisa Rose','Gene Seymour')

你可能感兴趣的:(推荐算法个人感想)