用户协同过滤算法实现

算法思想

基于用户的协同过滤算法的核心思想是：有相似兴趣的用户可能会喜欢相同的物品。因此，计算用户的相似度成为实现推荐系统的关键步骤。本文采用了下列相似度公式：

[ \omega_{uv} = \frac{N(u) \bigcap N(v)}{\sqrt{N(u) \times N(v)}} ]

其中，( N(u) ) 表示用户 ( u ) 看过的电影数量。

实现思路

本实现使用了 MovieLens 数据集，该数据集包含用户对电影的评分信息。具体步骤如下：

数据集加载：从 ratings.csv 文件中读取数据，将数据按用户-电影-评分-时间戳的格式存储，并整理成物品-用户的倒排表。

变量定义：

( N )：记录用户看过的电影数量。

( W )：用户相似度矩阵。

( train )：存储用户交互数据。

( item_users )：存储物品-用户倒排表。

( k )：推荐的相似用户数量。

( n )：每个用户推荐的电影数量。

计算相似度矩阵：遍历倒排表，统计每个用户的交互次数，并计算用户之间的相似度。

推荐算法：为目标用户推荐电影，首先获取其已观看的电影列表，然后基于相似度排序的用户，计算并推荐未观看的电影。

代码实现

import operatorclass UserBasedCF:    def __init__(self):        self.N = {}  # 记录用户看过的电影数量        self.W = {}  # 用户相似度矩阵        self.train = {}  # 用户交互数据        self.item_users = {}  # 物品-用户倒排表        self.k = 30  # 相似用户数量        self.n = 10  # 每个用户推荐的电影数量    def get_data(self, file_path):        """加载数据集"""        with open(file_path, 'r') as f:            for line in f:                if not line.strip():                    continue                user, item, rating, timestamp = line.split(',')                self.train.setdefault(user, [])                self.train[user].append((item, rating))                self.item_users.setdefault(item, []).append(user)    def similarity(self):        """计算用户相似度矩阵"""        for item, users in self.item_users.items():            for u in users:                self.N[u] = self.N.get(u, 0) + 1                for v in users:                    if u != v:                        self.W.setdefault(u, {})                        self.W[u][v] = self.W.get(u, {}).get(v, 0) + 1        for u in self.W:            for v in self.W[u]:                self.W[u][v] /= (self.N[u] * self.N[v]) ** 0.5    def recommendation(self, user):        """为指定用户推荐电影"""        watched = {item for (item, _) in self.train[user]}        ranked = {}        for v, similarity in sorted(self.W[user].items(), key=operator.itemgetter(1), reverse=True)[:self.k]:            for item, rating in self.train[v]:                if item not in watched:                    ranked[item] = ranked.get(item, 0) + similarity * float(rating)        return sorted(ranked.items(), key=operator.itemgetter(1), reverse=True)[:self.n]

运行结果

程序随机选择一位用户，基于其最相似的 30 个用户，为其推荐 10 部电影。推荐结果包括电影 ID 和加权评分，具体结果请参考运行环境中的输出。

参考资料

《推荐系统实践》——项亮

转载地址：http://sezmz.baihongyu.com/

你可能感兴趣的文章

PC端编辑但能在PC端模拟移动端预览的富文本编辑器