基于物品的协同过滤算法的Python实现

作者：冯向博
微信：supermvn
介绍：推荐系统学习整理

目录

一. 基于物品的协同过滤
二. 物品相似度计算与实现
三. ICF 的推荐实现
四. 总结一下
五. 练习

一. 基于物品的协同过滤

基于物品的协同过滤，是将用户 A 的 item 物品最相近（关联）的物品集合 items 推荐给用户 A。
给用户 A 推荐之前喜欢过的物品 item 最相近的物品 items。
item 与 items 列表里的物品相近（相似）程度，可以从用户以往的打分（购买、点击、收藏）等的物品统计数据来计算。

例如：

image

左上数据是用户以往的购买物品数据
右上是单个物品所有用户购买的统计数据矩阵
下左是统计user_1中物品之间购买关系统计数据矩阵
下中是user_1+user_2中物品之间购买关系统计数据矩阵
下右是user_1+user_2+user_3中物品之间购买关系统计数据矩阵

最终我们会有①一个单个物品的所有用户购买的统计记录和②一个所有用户的物品之间购买关系的统计数据矩阵。

我们可以用这两个矩阵计算出物品相似度矩阵。

步骤如下：
1.输入 user-item-rating 数据矩阵
2.计算 item-item 相似度矩阵
3.根据相似度求评分

二. 一物品相似度计算与实现

计算两个物品的相似度，我们将所以用户的购买数据进行统计计算，计算两个物品的相似度。
我们会构建一个如下图的数据出来

image

与 相似度我们可以通过统计相同的 items1 个数与他们购买的 items 个数的平均值的比值来表示。
具体的代码实现如下

def item_sim(d):
    '''
    :param data: {user_id:{item_id:rating}}
    :return: {item_id:{item_id:sim_rating}} 物品相似度矩阵
    '''
    item_item_same_cnt = dict()
    item_user_cnt = dict()

    for u, items in d.items():
        for i in items:
            if item_user_cnt.get(i, -1) == -1:
                item_user_cnt[i] = 0
            item_user_cnt[i] += 1

            if item_item_same_cnt.get(i, -1) == -1:
                item_item_same_cnt[i] = dict()

            for j in items:
                if i == j:
                    continue
                elif item_item_same_cnt[i].get(j, -1) == -1:
                    item_item_same_cnt[i][j] = 0
                item_item_same_cnt[i][j] += 1

    W = dict()
    for i, related_items in item_item_same_cnt.items():
        if W.get(i, -1) == -1:
            W[i] = dict()

        for j, cij in related_items.items():
            if W[i].get(j, -1) == -1:
                W[i][j] = 0
            W[i][j] += 2 * cij / ((item_user_cnt[i] + item_user_cnt[j]) * 1.0)

    return W

三. ICF 的推荐实现

这一步主要根据相似度求评分进行推荐

def recommend(user, d, item_item_sim, k):
    '''
    :param user: 用户id
    :param d: user-item-rating 矩阵
    :param item_item_sim: 物品相似度矩阵
    :param k: 推荐个数
    :return: icf推荐列表
    '''
    rank = dict()
    Ru = d[user]

    for i, rating in Ru.items():
        for j, sim in sorted(item_item_sim[i].items(), key=operator.itemgetter(1), reverse=True)[0:k]:
            if j in Ru:
                continue
            elif rank.get(j, -1) == -1:
                rank[j] = 0
            rank[j] += sim * rating
    return rank

四. 总结一下

1. ICF的数据处理步骤
2. 物品相似度矩阵计算实现算法
3. 使用物品相似度进行评分推荐的算法实现
4. ICF算法和UCF算法有相同的地方，可以对比一下

五. 练习

1. 了解ICF推荐的总体步骤、总体框架，建立总体的概念和流程。
2. 物品相似度矩阵算法实现部分，需要掌握基本算法。
3. 掌握ICF的相似用户评分推荐实现，需要掌握练习。

---

微信公众号