Create item_based_recommend.py

Author: zhaozhiyong19890102

Chapter_14 CollaborativeFiltering/item_based_recommend.py

@@ -0,0 +1,69 @@
+# coding:UTF-8
+'''
+Date:20160928
+@author: zhaozhiyong
+'''
+
+importnumpyasnp
+fromuser_based_recommendimportload_data, similarity
+
+defitem_based_recommend(data, w, user):
+'''基于商品相似度为用户user推荐商品
+ input: data(mat):商品用户矩阵
+ w(mat):商品与商品之间的相似性
+ user(int):用户的编号
+ output: predict(list):推荐列表
+ '''
+m, n=np.shape(data) # m:商品数量 n:用户数量
+interaction=data[:,user].T# 用户user的互动商品信息
+
+# 1、找到用户user没有互动的商品
+not_inter= []
+foriinxrange(n):
+ifinteraction[0, i] ==0: # 用户user未打分项
+not_inter.append(i)
+
+# 2、对没有互动过的商品进行预测
+predict={}
+forxinnot_inter:
+item=np.copy(interaction) # 获取用户user对商品的互动信息
+forjinxrange(m): # 对每一个商品
+ifitem[0, j] !=0: # 利用互动过的商品预测
+ifxnotinpredict:
+predict[x] =w[x, j] *item[0, j]
+else:
+predict[x] =predict[x] +w[x, j] *item[0, j]
+# 按照预测的大小从大到小排序
+returnsorted(predict.items(), key=lambdad:d[1], reverse=True)
+
+deftop_k(predict, k):
+'''为用户推荐前k个商品
+ input: predict(list):排好序的商品列表
+ k(int):推荐的商品个数
+ output: top_recom(list):top_k个商品
+ '''
+top_recom= []
+len_result=len(predict)
+ifk>=len_result:
+top_recom=predict
+else:
+foriinxrange(k):
+top_recom.append(predict[i])
+returntop_recom
+
+if__name__=="__main__":
+# 1、导入用户商品数据
+print"------------ 1. load data ------------"
+data=load_data("data.txt")
+# 将用户商品矩阵转置成商品用户矩阵
+data=data.T
+# 2、计算商品之间的相似性
+print"------------ 2. calculate similarity between items -------------"
+w=similarity(data)
+# 3、利用用户之间的相似性进行预测评分
+print"------------ 3. predict ------------"
+predict=item_based_recommend(data, w, 0)
+# 4、进行Top-K推荐
+print"------------ 4. top_k recommendation ------------"
+top_recom=top_k(predict, 2)
+printtop_recom