itemCF推荐算法的实现

基于ItemCF的协同过滤算法

实训需要实现一个推荐系统，所以先实现了一个比较简单的协同过滤算法

协同过滤的思想来源是充分利用集体智慧，即在大量的人群的行为和数据集中收集答案，以帮助我们对整个人群得到统计意义上的结论：
协同过滤算法有两个基本出发点：

1. 兴趣相近的用户可能会对同样的东西感兴趣；
2. 用户可能较偏爱与其已购买的东西相类似的商品。

基于1的就是UserCF
基于2的就是ItemCF

这两个算法各有千秋，但是它们都需要离线计算，一般以天为单位更新
众所周知，用户可能产生新的行为，浏览新的物品，
这时候虽然ItemCF的相似度矩阵没有更新，但是仍然可以使用为用户推荐，
所以虽然ItemCF需要离线计算，但是它也具有一定的动态性
（一般来说，用户相似度变化要比物品相似度变化快）

ItemCF的步骤可以大致分为两个部分

1. 将物品的用户当作物品的特征向量，然后物品产品之间的相似度，得到物品相似度矩阵
2. 从用户已经产生行为的物品中找到于其相似的K个物品（从相似度矩阵中），两次加权累和（用户产生行为物品的评分*相似物品相似度），找出评分最高的N件物品推荐给用户

然而具体实现可以参考以下代码：

import random
import math
from operator import itemgetter
class ItemBasedCF:
    # 初始化参数
    def __init__(self):
        # 找到相似的20个菜谱，为目标用户推荐10个菜谱
        # K值：找到和已经看过菜谱最相似的20个菜谱
        self.n_sim_cookbook = 20
        # N值: 将其中前10名推荐给用户
        self.n_rec_cookbook = 10

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

        # 用户相似度矩阵
        self.cookbook_sim_matrix = {}
        self.cookbook_popular = {}
        self.cookbook_count = 0

        # print('Similar cookbook number = %d' % self.n_sim_cookbook)
        # print('Recommended cookbook number = %d' % self.n_rec_cookbook)

    # 读文件得到“用户-菜谱”数据(基于比例划分数据)
    def