1、提供推荐 Python代码

推荐系统：

     类似淘宝根据你买过或者浏览过的东西，自动推荐你一些商品。

我们要做的是两种推荐：

一、基于用户过滤

       （1）要收集不同人的偏好，以电影为例——建立一个字典，里面包含用户、用户看的电影和看完电影后打分的数据。可以根据对相同电影得分情况的类似程度来说明用户之间的相似性。

       （2）计算用户之间相似度，下面是两个相似度度量价值的方法：欧几里得距离和皮尔逊相关度

       （3）

二、基于物品过滤

      

<span style="font-size:14px;">#coding=utf-8
#加载这个文件可以在import recommendations和import distance,每次修改后用reload(recommendations),reload(distance)
from math import sqrt


    #欧几里得距离
def distance(prefs,person1,person2):
   # 得到shared_items的列表
    si={}
    for item in prefs[person1]: 
        if item in prefs[person2]: si[item]=1


  # 如果两者没有共同之处，则返回0
    if len(si)==0: return 0
 # 计算所以差值的平方和
    a=0
    for item in prefs[person1]: 
        if item in prefs[person2]: 
            a=a+pow(prefs[person1][item]-prefs[person2][item],2)


    return 1/(1+sqrt(a)) </span>

#计算皮尔逊相关系数

<span style="font-size:14px;">#计算皮尔逊相关系数
from math import sqrt
#返回p1和p2的皮尔逊相关系数
def sim_pearson(prefs,p1,p2):
    #得到双方都评价过的物品列表
    si={}
    for movie in prefs[p1]:
        if movie in prefs[p2]:si[movie]=1
    #得到列表元素的个数
    n=len(si)
    #如果两者没有共同之处，则返回1
    if n==0:return 1
    #对所以偏好求和
    sum1=0
    sum2=0
    sum1sq=0
    sum2sq=0
    psum=0
    for movie in si:
        sum1=sum1+prefs[p1][movie]  #对x求和
        sum2=sum2+prefs[p2][movie]  #对y求和
    #求平方和
    for movie in si:
        sum1sq=sum1sq+pow(prefs[p1][movie],2)  #对x^2求和
        sum2sq=sum2sq+pow(prefs[p2][movie],2)  #对y^2求和
    for movie in si:
        psum=psum+prefs[p1][movie]*prefs[p2][movie]  #对x*y求和
    
    #计算皮尔逊评价值    
    shang=psum-(sum1*sum2/n)
    xia=sqrt((sum1sq-pow(sum1,2)/n)*(sum2sq-pow(sum2,2)/n))
        
    final=shang/xia
        
    return final</span>

    

#输出相关度较高的前几个人

</pre><p><pre name="code" class="python">#返回结果的个数和相似度函数均为可选函数，这里选择了皮尔逊相关系数     
def topmatches1(prefs,person,n=5,similarity=sim_pearson):
    scores=[]
    for other in prefs:
        if other!=person:
            scores.append([similarity(prefs,person,other),other])#scores是一个列表，第一个是分数，第二个是人名
            #列表添加要用.append

    #对列表进行排序，评价者最高者排在最前面
    scores.sort()#排序从小到大
    scores.reverse()#翻转，从大到小
    return scores[0:n]
  

  

#输出电影的评分，按顺序推荐电影给我    

<span style="font-size:14px;">def getRecommendations(prefs,person,similarity=sim_pearson):
    totals={}
    simSums={}
    rankings=[]
    for other in prefs:
        if other==person: continue#不和自己比较
        sim=similarity(prefs,person,other)#相似度计算
    
        if sim<=0: continue
    
        for item in prefs[other]:
            if item not in prefs[person] or prefs[person][item]==0:#person没看过这个电影或打分为0
                totals.setdefault(item,0)#相当于C中的a=0
                totals[item]=totals[item]+sim*prefs[other][item]#相似度和打分乘积
            
                simSums.setdefault(item,0)
                simSums[item]=simSums[item]+sim#相似度之和
    #注意下面这部分是不在上面循环里的，应该放最外面
    for item in totals:
        rankings.append([totals[item]/simSums[item],item])
            
    rankings.sort()
    rankings.reverse()
    return rankings</span>

#重新建立一个字典，将电影和人名对调

    

#装换key1,key2 
def transformPrefs(prefs):
    result={}
    for person in prefs:
        for item in prefs[person]:
            result.setdefault(item,{})#把item键对应的值设为一个空的字典，先建立第一级的key
            result[item][person]=prefs[person][item]#将人和电影对调，把person作为第二级的key，同时赋值
    return result

1.我是一个人，O是另外一个人
这个人和我很像，我们都给电影A打高分，都给电影B打低分。
这个人还看过【我没看过的】CDEF电影，那么，我根据这个人的口味 给我推荐电影

-
2.我是一个电影，△是另外一个电影
我们两部电影很像，有许多人，给这个电影打高分的同时都给另一个电影△打高分。
那么，将看相似度高的电影△的人推荐给这部电影

#构造物品比较数据集
def calculateSimilarItems(prefs,n=10):#建立字典，给出与这些物品最为相似的所有其他物品
    result={}
    itemPrefs=transformPrefs(prefs)#以物品为中心对偏好矩阵实施倒置处理
    c=0
    for item in itemPrefs:#正对大数据集分心状态变量
        c+=1
        if c%100==0:print "%d / %d" % (c,len(itemPrefs))
        scores=topmatches1(itemPrefs,item,n=n,similarity=distance)#寻找最为相近的物品
        result[item]=scores
    return result
 
#获得推荐 
def getRecommendedItems(prefs,itemMatch,user):
  userRatings=prefs[user]
  scores={}
  totalSim={}
  # 循环遍历由当前用户评分的物品
  for (item,rating) in userRatings.items( ):


    # 循环遍历与当前物品相近的物品
    for (similarity,item2) in itemMatch[item]:


      # 如果该用户已经对当前物品做过评价，则将其忽略
      if item2 in userRatings: continue
      #评价值与相似度的加权之和
      scores.setdefault(item2,0)
      scores[item2]+=similarity*rating
      # 全部相似度之和
      totalSim.setdefault(item2,0)
      totalSim[item2]+=similarity


  # 将每个合计值除以加权和，求出平均值
  rankings=[(score/totalSim[item],item) for item,score in scores.items( )]


  # 按最高到最低的顺序，返回评分结果
  rankings.sort( )
  rankings.reverse( )
  return rankings