基于Python 的简单推荐系统，,def loadEx

基于Python 的简单推荐系统，,def loadEx

def loadExData():    return[[1,1,1,0,0],            [2,2,2,0,0],            [1,1,1,0,0],            [5,5,5,0,0],            [1,1,0,2,2],            [0,0,0,3,3],            [0,0,0,1,1]]def loadExData2():    return[[0, 0, 0, 0, 0, 4, 0, 0, 0, 0, 5],           [0, 0, 0, 3, 0, 4, 0, 0, 0, 0, 3],           [0, 0, 0, 0, 4, 0, 0, 1, 0, 4, 0],           [3, 3, 4, 0, 0, 0, 0, 2, 2, 0, 0],           [5, 4, 5, 0, 0, 0, 0, 5, 5, 0, 0],           [0, 0, 0, 0, 5, 0, 1, 0, 0, 5, 0],           [4, 3, 4, 0, 0, 0, 0, 5, 5, 0, 1],           [0, 0, 0, 4, 0, 4, 0, 0, 0, 0, 4],           [0, 0, 0, 2, 0, 2, 5, 0, 0, 1, 2],           [0, 0, 0, 0, 5, 0, 0, 0, 0, 4, 0],           [1, 0, 0, 0, 0, 0, 0, 1, 2, 0, 0]]    from numpy import * from numpy import linalg as la #欧氏距离def euclidSim(inA,inB):    return 1.0/(1.0+la.norm(inA-inB))#皮尔逊相关系数  def pearsSim(inA,inB):    if len(inA)<3:return 1.0    return 0.5+0.5*corrcoef(inA,inB,rowvar=0)[0][1]#余弦相似度def cosSim(inA,inB):    num=float(inA.T*inB)    denom=la.norm(inA)*la.norm(inB)    return 0.5+0.5*(num/denom)        #基于物品相似度的推荐引擎（标准相似度计算方法下的用户估计值  ）def standEst(dataMat,user,simMeas,item):    #商品数目    n=shape(dataMat)[1]    #两个用于计算估计评分值的变量    simTotal=0.0;ratSimTotal=0.0    #遍历所有商品，并将它与所有的物品进行比较    for j in range(n):        #用户对某个物品的评分        userRating=dataMat[user,j]        if userRating==0:continue        # logical_and:矩阵逐个元素运行逻辑与,返回值为每个元素的True,False          # dataMat[:,item].A>0: 第item列中大于0的元素          # dataMat[:,j].A: 第j列中大于0的元素          # overLap: dataMat[:,item],dataMat[:,j]中同时都大于0的那个元素的行下标(一个向量)         overLap=nonzero(logical_and(dataMat[:,item].A>0,                                    dataMat[:,j].A>0))[0]        print(j)        print("------overLap------")        print(overLap)        if len(overLap)==0:similarity=0        # 计算overLap矩阵的相似度        else: similarity=simMeas(dataMat[overLap,item],                        dataMat[overLap,j])        print("dataMat[overLap,item:")        print(dataMat[overLap,item])        print("dataMat[overLap,j:")        print(dataMat[overLap,j])        print (‘the %d and %d similarity is:%f‘ % (item,j,similarity))        # 累计总相似度(不太理解)#        假设A评分未知，A,B相似度0.9，B评分5,；A C相似度0.8，C评分4.#        那么按照公式A评分=（0.9*5+0.8*4）/（0.9+0.8）#       相当于加权平均（如果除以2），但是因为2个评分的权重是不一样的，所以应除以相似度之和        simTotal+=similarity        # ratSimTotal = 相似度*元素值                 ratSimTotal+=similarity*userRating        print("ratSimTotal+=similarity*userRating:")        print(ratSimTotal)    if simTotal==0:return 0    else:return ratSimTotal/simTotal#对某个用户产生最高的N个推荐结果#user 表示要推荐的用户编号def recommend(dataMat,user,N=3,simMeas=cosSim,estMethod=standEst):    #对给定用户建立一个未评分的物品矩阵    unratedItems=nonzero(dataMat[user,:].A==0)[1] #第user行中等于0的元素 #    print(dataMat[user,:].A==0)----[[ True  True  True ...,  True False  True]]#    对于二维数组b2，nonzero(b2)所得到的是一个长度为2的元组。它的第0个元素是数组a中值不为0的元素的第0轴的下标，第1个元素则是第1轴的下标，因此从下面的结果可知b2[0,0]、b[0,2]和b2[1,0]的值不为0：##>>> b2 = np.array([[True, False, True], [True, False, False]])  #>>> np.nonzero(b2)  #(array([0, 0, 1], dtype=int64), array([0, 2, 0], dtype=int64))         if len(unratedItems)==0:return ‘you rated everything‘    #给未评分物品存放预测得分的列表    itemScores=[]    for item in unratedItems:        #对每个未评分物品通过standEst（）方法来预测得分        print("item------------")        print(item)        estimatedScore=estMethod(dataMat,user,simMeas,item)        #将物品编号和估计得分存放在列表中        itemScores.append((item,estimatedScore))    #sorted排序函数，key 是按照关键字排序，lambda是隐函数，固定写法，    #jj表示待排序元祖，jj[1]按照jj的第二列排序，reverse=True，降序；[:N]前N个    return sorted(itemScores,key=lambda jj:jj[1],reverse=True)[:N]    #利用SVD提高推荐效果#基于SVD的评分估计def svdEst(dataMat,user,simMeas,item):    #商品数目        n=shape(dataMat)[1]    simTotal=0.0;ratSimTotal=0.0    #SVD分解为：U*S*V    U,Sigma,VT=la.svd(dataMat)    #分解后只利用90%能量的奇异值，存放在numpy数组里面    Sig4=mat(eye(4)*Sigma[:4])    #利用U矩阵将物品转换到低维空间中    xformeditems=dataMat.T*U[:,:4]*Sig4.I    for j in range(n):        userRating=dataMat[user,j]        if userRating==0 or j==item:continue        similarity=simMeas(xformeditems[item,:].T,                            xformeditems[j,:].T)        print (‘the %d and %d similarity is :%f‘ % (item,j,similarity))        simTotal+=similarity        ratSimTotal+=similarity*userRating    if simTotal==0:return 0    else: return ratSimTotal/simTotal     if __name__ == ‘__main__‘:   myMat=mat(loadExData2())   print(recommend(myMat,2))

基于Python 的简单推荐系统