xgs

slope one算法是基于 ”同物品“ 之间的 ”评分差“ 的线性算法，预测用户对物品评分的个性化算法适用商品的更新不频繁，数量相对稳定且物品数明显小于用户数的场景，依赖用户的行为日志和物品偏好的相关内容优点：1算法简单，2可以发现用户潜在的兴趣爱好缺点：依赖用户行为，存在冷启动问题和稀疏性问题

Item_CF基于物品的协同过滤算法，该算法给用户推荐那些和他们之前喜欢物品相似的物品。比如：该算法会因为你购买过《JAVA编程思想》而给你推荐《JAVA核心技术》。物品A和物品B具有很大的相似度是因为喜欢物品A的用户大都也喜欢物品B

安装package：导入e1071：找一个数据集：训练并查看训练结果：下面看一下，这个库如何处理标称型特征：补充一下，如果某个数据缺少某些特征：参考：安装package：?1>install.packages("e1071")导入e10

from numpy import * def loadDataSet(): postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid']

from numpy import *#数据处理函数，读取文件testSet.txt的内容#前两列分别为x1和x2值，第3列为数据的类别def loadDataSet(): #存放训练数据 dataMat = []; #每条数据的类别 labelMat = [] #打开文件读取训练样本 fr = open('testSet.txt')

#coding=UTF-8from math import logimport operator#from DecisionTree import treePlotter#from DecisionTree.treePlotter import createPlotdef createDataSet(): #训练数据集 dataSet = [[1, 1, 'yes'