作者：馮向博
微信：supermvn
介紹：推薦系統(tǒng)學(xué)習(xí)整理

目錄

一. 基于物品的協(xié)同過(guò)濾
二. 物品相似度計(jì)算與實(shí)現(xiàn)
三. ICF 的推薦實(shí)現(xiàn)
四. 總結(jié)一下
五. 練習(xí)

一. 基于物品的協(xié)同過(guò)濾

基于物品的協(xié)同過(guò)濾，是將用戶 A 的 item 物品最相近（關(guān)聯(lián)）的物品集合 items 推薦給用戶 A。
給用戶 A 推薦之前喜歡過(guò)的物品 item 最相近的物品 items。
item 與 items 列表里的物品相近（相似）程度，可以從用戶以往的打分（購(gòu)買(mǎi)、點(diǎn)擊、收藏）等的物品統(tǒng)計(jì)數(shù)據(jù)來(lái)計(jì)算。

例如：

image

左上數(shù)據(jù)是用戶以往的購(gòu)買(mǎi)物品數(shù)據(jù)
右上是單個(gè)物品所有用戶購(gòu)買(mǎi)的統(tǒng)計(jì)數(shù)據(jù)矩陣
下左是統(tǒng)計(jì)user_1中物品之間購(gòu)買(mǎi)關(guān)系統(tǒng)計(jì)數(shù)據(jù)矩陣
下中是user_1+user_2中物品之間購(gòu)買(mǎi)關(guān)系統(tǒng)計(jì)數(shù)據(jù)矩陣
下右是user_1+user_2+user_3中物品之間購(gòu)買(mǎi)關(guān)系統(tǒng)計(jì)數(shù)據(jù)矩陣

最終我們會(huì)有①一個(gè)單個(gè)物品的所有用戶購(gòu)買(mǎi)的統(tǒng)計(jì)記錄和②一個(gè)所有用戶的物品之間購(gòu)買(mǎi)關(guān)系的統(tǒng)計(jì)數(shù)據(jù)矩陣。

我們可以用這兩個(gè)矩陣計(jì)算出物品相似度矩陣。

步驟如下：
1.輸入 user-item-rating 數(shù)據(jù)矩陣
2.計(jì)算 item-item 相似度矩陣
3.根據(jù)相似度求評(píng)分

二. 一物品相似度計(jì)算與實(shí)現(xiàn)

計(jì)算兩個(gè)物品的相似度，我們將所以用戶的購(gòu)買(mǎi)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)計(jì)算，計(jì)算兩個(gè)物品的相似度。
我們會(huì)構(gòu)建一個(gè)如下圖的數(shù)據(jù)出來(lái)

image

與 相似度我們可以通過(guò)統(tǒng)計(jì)相同的 items1 個(gè)數(shù)與他們購(gòu)買(mǎi)的 items 個(gè)數(shù)的平均值的比值來(lái)表示。
具體的代碼實(shí)現(xiàn)如下

def item_sim(d):
    '''
    :param data: {user_id:{item_id:rating}}
    :return: {item_id:{item_id:sim_rating}} 物品相似度矩陣
    '''
    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 的推薦實(shí)現(xiàn)

這一步主要根據(jù)相似度求評(píng)分進(jìn)行推薦

def recommend(user, d, item_item_sim, k):
    '''
    :param user: 用戶id
    :param d: user-item-rating 矩陣
    :param item_item_sim: 物品相似度矩陣
    :param k: 推薦個(gè)數(shù)
    :return: icf推薦列表
    '''
    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. 總結(jié)一下

1. ICF的數(shù)據(jù)處理步驟
2. 物品相似度矩陣計(jì)算實(shí)現(xiàn)算法
3. 使用物品相似度進(jìn)行評(píng)分推薦的算法實(shí)現(xiàn)
4. ICF算法和UCF算法有相同的地方，可以對(duì)比一下

五. 練習(xí)

1. 了解ICF推薦的總體步驟、總體框架，建立總體的概念和流程。
2. 物品相似度矩陣算法實(shí)現(xiàn)部分，需要掌握基本算法。
3. 掌握ICF的相似用戶評(píng)分推薦實(shí)現(xiàn)，需要掌握練習(xí)。

微信公眾號(hào)