基于物品的协同过滤算法

基础算法
(1) 计算物品之间的相似度。
(2) 根据物品的相似度和用户的历史行为给用户生成推荐列表。
购买了该商品的用户也经常购买的其他商品。从这句话的定义出发，我们可以用下面的公式定
义物品的相似度：

从上面的定义可以看到，在协同过滤中两个物品产生相似度是因为它们共同被很多用户喜
欢，也就是说每个用户都可以通过他们的历史兴趣列表给物品“贡献”相似度。这里面蕴涵着一
个假设，就是每个用户的兴趣都局限在某几个方面，因此如果两个物品属于一个用户的兴趣列表，
那么这两个物品可能就属于有限的几个领域，而如果两个物品属于很多用户的兴趣列表，那么它
们就可能属于同一个领域，因而有很大的相似度。
和 UserCF 算法类似，用 ItemCF 算法计算物品相似度时也可以首先建立用户 — 物品倒排表（即
对每个用户建立一个包含他喜欢的物品的列表），然后对于每个用户，将他物品列表中的物品两
两在共现矩阵 C 中加 1 。
图中最左边是输入的用户行为记
录，每一行代表一个用户感兴趣的物品集合。然后，对于每个物品集合，我们将里面的物品两两
加一，得到一个矩阵。最终将这些矩阵相加得到上面的 C 矩阵。其中 C[i][j] 记录了同时喜欢物品 i
和物品 j 的用户数。最后，将 C 矩阵归一化可以得到物品之间的余弦相似度矩阵 W 。

基于物品的协同过滤算法进行评分预测

#数据集说明：movies.dat中数据是用户对电影的评分。数据格式：UserID::MovieID::Rating::Timestamp。
# -*- coding=utf-8 -*-
# -*- coding: utf-8 -*-
# 基于项目的协同过滤推荐算法实现
import random
import math
from operator import itemgetter
import csv
import pandas as pd

class ItemBasedCF():
    # 初始化参数
    def __init__(self):

        self.n_sim_movie = input('请输入用于推荐参考的电影数K：')
        self.n_rec_movie = input('请输入对一个用户的推荐数：')

        # 将数据集划分为训练集和测试集
        self.trainSet = {
   
   }
        self.testSet = {
   
   }

        # 初始化电影相似度矩阵
        self.movie_sim_matrix = {
   
   }
    
        self.movie_popular = {
   
   }
        self.movie_count = 0
        # 找到相似的10部电影，为目标用户推荐4部电影
        print ('='*100)
        print('一、初始并加载、划分数据......')
        print("参考电影数 =", self.n_sim_movie)
        print("推荐电影数 =", self.n_rec_movie)

    # 读文件得到“用户-电影”数据，并将数据划分为训练集与数据集
    def get_dataset(self, filename, pivot=0.75):

        trainSet_len = 0
        testSet_len = 0
        for line in self.load_file(filename):
            user, movie, rating, timestamp = line.split(',')
            if(random.random() < pivot):
                self.trainSet<