Python机器学习案例——基于用户的电影推荐系统

Python机器学习案例：基于用户的电影推荐系统

01 案例背景

本案例实现电影推荐系统。该系统的工作过程大致可以简化为以下三个步骤。

（1）寻找与特定用户最相近的N个其他用户；

（2）找出这N个相似用户的观影列表；

（3）从相似用户的观影列表中找出特定用户未观看过的电影，将这些电影按评分由高到低输出。

02 实现代码

Python实现代码如下所示：
from math import sqrt,pow
import operator
class UserCf():

#获得初始化数据
def init(self,data):
self.data=data;

#通过用户名获得电影列表，仅调试使用
def getItems(self,username1,username2):
return self.data[username1],self.data[username2]

#计算两个用户的皮尔逊相关系数
def pearson(self,user1,user2):#数据格式为：电影，评分 {‘Snakes on a Plane’: 4.5, ‘You, Me and Dupree’: 1.0, ‘Superman Returns’: 4.0}
sumXY=0.0;
n=0;
sumX=0.0;
sumY=0.0;
sumX2=0.0;
sumY2=0.0;
try:
for movie1,score1 in user1.items():
if movie1 in user2.keys():#计算公共的电影的评分
n+=1;
sumXY+=score1*user2[movie1]
sumX+=score1;
sumY+=user2[movie1]
sumX2+=pow(score1,2)
sumY2+=pow(user2[movie1],2)

molecule=sumXY-(sumXsumY)/n;
denominator=sqrt((sumX2-pow(sumX,2)/n)(sumY2-pow(sumY,2)/n))
r=molecule/denominator
except Exception as e:
print(“异常信息:”,e.message)
return r

#计算与当前用户的距离，获得最临近的用户
def nearstUser(self,username,n=1):
distances={};#用户，相似度
for otherUser,items in self.data.items():#遍历整个数据集
if otherUser not in username:#非当前的用户
distance=self.pearson(self.data[username],self.data[otherUser])#计算两个用户的相似度
distances[otherUser]=distance
sortedDistance=sorted(distances.items(),key=operator.itemgetter(1),reverse=True);#最相似的N个用户
return sortedDistance[:n]

def recomand(self,username,n=1):
recommand={};#待推荐的电影
for user,score in dict(self.nearstUser(username,n)).items():#最相近的n个用户
print(“推荐的用户：”,(user,score))
for movies,scores in self.data[user].items():#推荐的用户的电影列表
if movies not in self.data[username].keys():#当前username没有看过
print(“%s为该用户推荐的电影：%s”%(user,movies))
if movies not in recommand.keys():#添加到推荐列表中
recommand[movies]=scores

return sorted(recommand.items(),key=operator.itemgetter(1),reverse=True);#对推荐的结果按照电影评分排序

if name==‘main’:
users = {‘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}
}

userCf=UserCf(data=users)
recommandList=userCf.recomand(‘Toby’, 2)
9print(“最终推荐：%s”%recommandList)

03 运行结果

运行以上代码的输出结果如下所示。

排序后的用户为：[('Lisa Rose', 0.9912407071619299), ('Mick LaSalle', 0.9244734516419049), ('Claudia Puig', 0.8934051474415647), ('Jack Matthews', 0.66284898035987), ('Gene Seymour', 0.38124642583151164), ('Michael Phillips', -1.0)]
推荐的用户：('Lisa Rose', 0.9912407071619299)
Lisa Rose为该用户推荐的电影：Lady in the Water
Lisa Rose为该用户推荐的电影：Just My Luck
Lisa Rose为该用户推荐的电影：The Night Listener
推荐的用户：('Mick LaSalle', 0.9244734516419049)
Mick LaSalle为该用户推荐的电影：Lady in the Water
Mick LaSalle为该用户推荐的电影：Just My Luck
Mick LaSalle为该用户推荐的电影：The Night Listener
最终推荐：[('Just My Luck', 3.0), ('The Night Listener', 3.0), ('Lady in the Water', 2.5)]

到这里一个简单的机器学习案例就结束啦！小伙伴们快学起来！