python协同过滤算法_详解python实现协同过滤推荐算法

不同的数据、不同的程序猿写出的协同过滤推荐算法不同，但其核心是一致的，本文主要介绍了python实现协同过滤推荐算法完整代码示例，具有一定借鉴价值，需要的朋友可以参考下。希望能帮助到大家。

测试数据

http://grouplens.org/datasets/movielens/

协同过滤推荐算法主要分为：

1、基于用户。根据相邻用户，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表进行推荐

2、基于物品。如喜欢物品A的用户都喜欢物品C，那么可以知道物品A与物品C的相似度很高，而用户C喜欢物品A，那么可以推断出用户C也可能喜欢物品C。

不同的数据、不同的程序猿写出的协同过滤推荐算法不同，但其核心是一致的：

1、收集用户的偏好

1)不同行为分组

2)不同分组进行加权计算用户的总喜好

3)数据去噪和归一化

2、找到相似用户(基于用户)或者物品(基于物品)

3、计算相似度并进行排序。根据相似度为用户进行推荐

本次实例过程：

1、初始化数据

获取movies和ratings

转换成数据userDict表示某个用户的所有电影的评分集合，并对评分除以5进行归一化

转换成数据ItemUser表示某部电影参与评分的所有用户集合

2、计算所有用户与userId的相似度

找出所有观看电影与userId有交集的用户

对这些用户循环计算与userId的相似度

获取A用户与userId的并集。格式为:{'电影ID',[A用户的评分,userId的评分]}，没有评分记为0

计算A用户与userId的余弦距离，越大越相似

3、根据相似度生成推荐电影列表

4、输出推荐列表和准确率#!/usr/bin/python3

# -*- coding: utf-8 -*-

from numpy import *

import time

from texttable import Texttable

class CF:

def __init__(self, movies, ratings, k=5, n=10):

self.movies = movies

self.ratings = ratings

# 邻居个数

self.k = k

# 推荐个数

self.n = n

# 用户对电影的评分