参考博文:https://blog.csdn.net/jsond/article/details/73042866
本文仅为记录尝试的时候遇到的坑。
数据格式:user item rating timestamp
安装库:
在安装surprise库的时候如果用python3.X的时候会提示需要visio c++ 2014,但是笔者环境明明有visio c++2014和2015,具体好像还需要一些其他配置,并没有去深究,后经搜索用python2.7可以直接安装使用:
在安装之前首先要确认已经安装了numpy库。
pip install scikit-surprise
源码如下:
# -*- coding:utf-8 -*-
from __future__ import (absolute_import, division, print_function, unicode_literals)
import os
import io
from surprise import KNNBaseline
from surprise import Dataset
import logging
logging.basicConfig(level=logging.INFO,
format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s',
datefmt='%a, %d %b %Y %H:%M:%S')
# 训练推荐模型 步骤:1
def getSimModle():
# 默认载入movielens数据集
data = Dataset.load_builtin('ml-100k')
trainset = data.build_full_trainset()
#使用pearson_baseline方式计算相似度 False以item为基准计算相似度 本例为电影之间的相似度
sim_options = {'name': 'pearson_baseline', 'user_based': False}
##使用KNNBaseline算法
algo = KNNBaseline(sim_options=sim_options)
#训练模型
algo.train(trainset)
return algo
# 获取id到name的互相映射 步骤:2
def read_item_names():
"""
获取电影名到电影id 和 电影id到电影名的映射
"""
file_name = (os.path.expanduser('~') +
'/.surprise_data/ml-100k/ml-100k/u.item')
rid_to_name = {}
name_to_rid = {}
with io.open(file_name, 'r', encoding='ISO-8859-1') as f:
for line in f:
line = line.split('|')
rid_to_name[line[0]] = line[1]
name_to_rid[line[1]] = line[0]
return rid_to_name, name_to_rid
# 基于之前训练的模型 进行相关电影的推荐 步骤:3
def showSimilarMovies(algo, rid_to_name, name_to_rid):
# 获得电影Toy Story (1995)的raw_id
toy_story_raw_id = name_to_rid['Toy Story (1995)']
logging.debug('raw_id=' + toy_story_raw_id)
#把电影的raw_id转换为模型的内部id
toy_story_inner_id = algo.trainset.to_inner_iid(toy_story_raw_id)
logging.debug('inner_id=' + str(toy_story_inner_id))
#通过模型获取推荐电影 这里设置的是10部
toy_story_neighbors = algo.get_neighbors(toy_story_inner_id, 10)
logging.debug('neighbors_ids=' + str(toy_story_neighbors))
#模型内部id转换为实际电影id
neighbors_raw_ids = [algo.trainset.to_raw_iid(inner_id) for inner_id in toy_story_neighbors]
#通过电影id列表 或得电影推荐列表
neighbors_movies = [rid_to_name[raw_id] for raw_id in neighbors_raw_ids]
print('The 10 nearest neighbors of Toy Story are:')
for movie in neighbors_movies:
print(movie)
if __name__ == '__main__':
# 获取id到name的互相映射
rid_to_name, name_to_rid = read_item_names()
# 训练推荐模型
algo = getSimModle()
##显示相关电影
showSimilarMovies(algo, rid_to_name, name_to_rid)
数据集路径问题:
1、第一次运行的时候总是会在read_item_names()函数中第一句提醒找不到ml-100k的数据集文件,后经查阅os.path.expanduser(path) 的作用是:把path中包含“~”和“~user”转换成用户目录。后自己去单独下载了ml-100k数据集,并放在同级目录下,然后将单引号中路径换为‘/ml-100k/u.item’,还是找不到。再把os.path.expanduser('~')去掉,不通过此方式,后发现不抱错,应该是找到了对应文件。
2、接下来在getSimModel()函数中,提醒需要下载ml-100k数据集,这里好像是直接使用surprise库中Dataset的数据集,按照提示下载即可,如果太慢的话,用蓝灯开VPN进行下载。
运行:
之后虽然会有报警告,但是已经可以正常运行了:
此处输出就是Toy Story (1995)最相近的10部电影。
尝试将参数换为Beauty and the Beast(1991),输出结果如下:
同样Toy Story(1995)也在其中。
数据:/ml-100k/u.item内容如下
尾部的参数就是根据电影以及影评人的评分所构造的矩阵。