Create user_based_recommend.py

Author: zhaozhiyong19890102

Chapter_14 CollaborativeFiltering/user_based_recommend.py

@@ -0,0 +1,116 @@
+# coding:UTF-8
+'''
+Date:20160928
+@author: zhaozhiyong
+'''
+
+importnumpyasnp
+
+defload_data(file_path):
+'''导入用户商品数据
+ input: file_path(string):用户商品数据存放的文件
+ output: data(mat):用户商品矩阵
+ '''
+f=open(file_path) 
+data= []
+forlineinf.readlines():
+lines=line.strip().split("\t")
+tmp= []
+forxinlines:
+ifx!="-":
+tmp.append(float(x)) # 直接存储用户对商品的打分
+else:
+tmp.append(0)
+data.append(tmp)
+f.close()
+
+returnnp.mat(data)
+
+defcos_sim(x, y):
+'''余弦相似性
+ input: x(mat):以行向量的形式存储，可以是用户或者商品
+ y(mat):以行向量的形式存储，可以是用户或者商品
+ output: x和y之间的余弦相似度
+ '''
+numerator=x*y.T# x和y之间的额内积
+denominator=np.sqrt(x*x.T) *np.sqrt(y*y.T) 
+return (numerator/denominator)[0, 0]
+
+
+defsimilarity(data):
+'''计算矩阵中任意两行之间的相似度
+ input: data(mat):任意矩阵
+ output: w(mat):任意两行之间的相似度
+ '''
+m=np.shape(data)[0] # 用户的数量
+# 初始化相似度矩阵
+w=np.mat(np.zeros((m, m)))
+
+foriinxrange(m):
+forjinxrange(i, m):
+ifj!=i:
+# 计算任意两行之间的相似度
+w[i, j] =cos_sim(data[i, ], data[j, ])
+w[j, i] =w[i, j]
+else:
+w[i, j] =0
+returnw
+
+defuser_based_recommend(data, w, user):
+'''基于用户相似性为用户user推荐商品
+ input: data(mat):用户商品矩阵
+ w(mat):用户之间的相似度
+ user(int):用户的编号
+ output: predict(list):推荐列表
+ '''
+m, n=np.shape(data)
+interaction=data[user, ] # 用户user与商品信息
+
+# 1、找到用户user没有互动过的商品
+not_inter= []
+foriinxrange(n):
+ifinteraction[0, i] ==0: # 没有互动的商品
+not_inter.append(i)
+
+# 2、对没有互动过的商品进行预测
+predict={}
+forxinnot_inter:
+item=np.copy(data[:, x]) # 找到所有用户对商品x的互动信息
+foriinxrange(m): # 对每一个用户
+ifitem[i, 0] !=0: # 若该用户对商品x有过互动
+ifxnotinpredict:
+predict[x] =w[user, i] *item[i, 0]
+else:
+predict[x] =predict[x] +w[user, i] *item[i, 0]
+# 3、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")
+# 2、计算用户之间的相似性
+print"------------ 2. calculate similarity between users -------------"
+w=similarity(data)
+# 3、利用用户之间的相似性进行推荐
+print"------------ 3. predict ------------"
+predict=user_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