推荐算法：基于物品的协同过滤算法

川长思鸟来 2022-05-11 12:48 558阅读 0赞

*  参考《推荐系统实践》项亮
 *  概念： 基于物品的协同过滤算法，优化算法
 *  对比：用户协同过滤的优缺点
 *  python编码实现

# 1，算法定义 #

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>基于用户的协同过滤算法</th> 
   <th>基于商品的协同过滤算法</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>适用场景</td> 
   <td>时效性较强,用户个性化兴趣不太明显的领域</td> 
   <td>长尾物品丰富,用户个性化需求强烈的领域</td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>用户较少的场合：新闻推荐</td> 
   <td>物品数远小于用户数的场合：图书、电子商务和电影网站</td> 
  </tr> 
  <tr> 
   <td>注重点</td> 
   <td>兴趣相似的小群体的热点</td> 
   <td>维系用户的历史兴趣，推荐结果解释性强</td> 
  </tr> 
  <tr> 
   <td>用户交互特点</td> 
   <td>用户有新行为,不一定造成推荐结果的立即变化</td> 
   <td>推荐结果的实时变化</td> 
  </tr> 
  <tr> 
   <td>缺点</td> 
   <td>计算复杂度 --用户数的增长：近似于平方关系 ，推荐结果解释性不强</td> 
   <td></td> 
  </tr> 
 </tbody> 
</table>

![在这里插入图片描述][70]

## 1.1算法优化 ##

![在这里插入图片描述][70 1]  
假定<用户-商品数据>如下，可以计算出商品之间的相似度

1::a	1::b	1::c	2::a	
    2::b	3::c	4::a	4::d

![在这里插入图片描述][70 2]

# 2，python实现 #

## 第一步： 计算商品之间的相似度（余弦相似度计算公式） ##

![在这里插入图片描述][70 3]

## 第二步： 过滤&生成推荐列表,偏好值累加求和 ##

![在这里插入图片描述][70 4]

## 具体代码如下 ##

# -*-coding:utf-8-*-
    import math
    #第一步： 计算每个商品之间的相似度
    def getMostLikeItemsGroupK(itemUsersDict):
        recommDict = {}
        for i, usersI in itemUsersDict.items():
            for j, usersJ in itemUsersDict.items():
                if i < j:
                    if i not in recommDict.keys():
                        recommDict[i] = {}
                    if j not in recommDict.keys():
                        recommDict[j] = {}
    
                    # 计算相似度,共同交互商品数
                    ratio= 0.0
                    setA = set(usersI)
                    setB = set(usersJ)
                    common = setA.intersection(setB)
                    if common.__len__() == 0:
                        ratio= 0.0
                    else:
                        bot = math.sqrt(setA.__len__() * setB.__len__())
                        ratio= float(common.__len__()) / bot
                    recommDict[i][j] = ratio
                    recommDict[j][i] = ratio
        # 对M中每个用的相似度字典按照相似度倒排序
        dict2 = {}
        for k,v in recommDict.items():
            dict2[k] = sorted(v.items(), key=lambda e: e[1], reverse=True)
        #1,物品相似度的未归一化
        #return dict2
    
        #2,物品相似度的归一化：Karypis 在研究中发现如果将
        def normalItemLike(parmDict):
            dict3 = {}
            for k,v in parmDict.items():
                dict3[k] = []
                mx = v[0][1]
                for t in v:
                    dict3[k].append((t[0] , float(t[1]) / mx))
            return dict3
        return normalItemLike(dict2)
    
    
    ##############第二步： 过滤& 生成推荐列表,偏好值累加求和
    def recommItemCF(u,K):
        # 准备数据：返回的推荐字典[],用户->商品之间的字典, 商品->用户之间的字典
        recommDict = {}
        userItemsDict = {}
        itemUsersDict = {}
        file = open("/home/wang/IdeaProjects/big124/mypython/a")
        while True :
            line = file.readline()
            if line != '':
                arr = line.replace("\n","").split("::")
                uid = int(arr[0])
                iid = str(arr[1])
                # userItemDict
                if uid in userItemsDict.keys():
                    userItemsDict[uid].append(iid)
                else :
                    userItemsDict[uid] = [iid]
                # itemUsersDict
                if iid in itemUsersDict.keys():
                    itemUsersDict[iid].append(uid)
                else:
                    itemUsersDict[iid] = [uid]
            else:
                break ;
        # 1,寻找每个用户history商品:  其他相似的商品组
        dict1 = getMostLikeItemsGroupK(itemUsersDict)
    
        for i in userItemsDict[u]: # 找到每个用户的历史商品
            itemsK = dict1[i][:K]  #取出k个相似商品
            for j in itemsK:
                if j[0] not in userItemsDict[u]:
    
                    #2, 生成商品推荐列表
                    if j[0] not in recommDict.keys():
                        recommDict[j[0]] = 0.0
                    recommDict[j[0]] = recommDict[j[0]] + j[1]
        #3,排序商品推荐列表
        return sorted(recommDict.items() , key=lambda e:e[1] ,reverse=True)
    
    ###############第三步, 测试结果############################
    if __name__ =="__main__":
        recommList=recommItemCF(2,3)
        for i in recommList:
            print i

对比结果：基于商品的协同过滤，物品相似度的归一化后准确率变高

#基于用户的协同过滤：推荐结果
    # ('c', 1.533734661597076)
    # ('d', 0.8304820237218405)
    
    #基于商品的协同过滤： 物品相似度未归一化,推荐结果
    # ('c', 0.9082482904638631)
    # ('d', 0.5773502691896258)
    #基于商品的协同过滤： 物品相似度的归一化,推荐结果
    # ('c', 1.1123724356957945)
    # ('d', 0.7071067811865476)

[70]: /images/20220505/90b809f34a3d404abf63f25d6fd32bf6.png
[70 1]: /images/20220505/4c60f57a86314e20aad7d10a7452dcd8.png
[70 2]: /images/20220505/e8f0221c46d146db9ca89e8824ea0e75.png
[70 3]: /images/20220505/6a922172b05e4847a74e6743ee7ee0bd.png
[70 4]: /images/20220505/8b48dc632b954655bb69e47945f33d7c.png