提供推荐

1. Collaborative Filtering

Collaborative Filtering: 通过喜好相近的人构造推荐列表。

如何表示喜好?用嵌套字典表示不同人对不同影片的评分。嵌套字典的数据结构就像一棵树,叶子节点(键值)表示最终的属性。(源代码下载地址)

>>>from recommendations import critics
>>> critics['Toby']
{'Snakes on a Plane': 4.5, 'Superman Returns': 4.0, 'You, Me and Dupree': 1.0}
>>> critics['Toby']['Superman Returns']
4.0

 

2. Finding Similar Users

Euclidean Distance Score

评价公式:

该值越大,喜好越相似,没有共同评价过的电影,则返回 0.

Pearson Correlation Score

数据不是很规范,比如有人习惯给高分,有人习惯给低分,用皮尔逊相关度评价效果更好。

Pearson Correlation 实际上就是两个向量的余弦值,等于两个向量中心化后(减去均值)的内积除以长度的乘积:

同样,数值越大,两个向量角度越小,喜好越相似。此外,相似度度量方法还有 Jaccard 系数或者曼哈顿距离等,更多关于相似度度量信息可以参考这篇博客.

Ranking the Critics

根据不同的相似度度量方法返回从高到低排好序的的相似者.

>>> from recommendations import *
>>> topMatches(critics, 'Toby', similarity=sim_pearson, n=3)
[(0.9912407071619299, 'Lisa Rose'), (0.9244734516419049, 'Mick LaSalle'), (0.8934051474415647, 'Claudia Puig')]

 

3. Recommending Items

现在我们只得到喜好相同的人,怎么才能得到推荐的物品?我们可以查找与自己品味相投的人,并从他们喜好的影片中找到自己没有看过的电影,但是这样不够全面。可以利用下面公式给自己没有看过的电影进行评分预测:

 

 

 

posted on 2013-07-15 21:53 daniel-D 阅读(...) 评论(...) 编辑 收藏

导航

统计