机器学习-推荐系统之基于用户的协同过滤

人以群分 – 基于用户的协同过滤（User Collaborative Filtering，简称User CF）

生活中可能有这样的朋友：他喜欢的书、电影，你也喜欢；
他喜欢的衣服款式、美食餐厅你也十分推崇；
……

基本原理：

• 通过用户对不同内容（物品）的行为，来评测用户之间的相似性，找到“邻居”基于这种相似性做出推荐：
• 这种推荐的本质是，给相似的用户推荐其他用户喜欢的内容；
• 这就是我们经常看到的：和你类似的人还喜欢如下内容。
  

基本方法：

① 找到和目标用户兴趣相似的用户集合（关键在于计算两个用户之间的兴趣相似度）；
② 找到这个集合中的用户所喜欢的，并且目标用户没有听说过的物品推荐给目标用户。

如何找到和你相似的人？

类比于KNN中K个“邻居”的寻找方法——通过距离衡量相近程度。
$$闵科夫斯基距离$$

用户相似性计算指标：

皮尔逊相关系数

余弦相关系数

杰卡德相关系数

User CF步骤

• 读入用户评分
• 计算用户相似性
• 根据用户相似性排序选择前K个邻居
• 根据K个邻居的评分项目预测用户评分
• 选择预测评分最高的前N个项目作为推荐列表

代码实现

import numpy as np
import pandas as pd
#读取数据文档
df = pd.read_csv('example.csv')
df.head()

#建立关系矩阵rating
dfpivot= df.pivot_table(index="用户id",columns="物品id",values="评分",fill_value=0)
dfpivot

#获取关系矩阵
freq_matrix = dfpivot.values
freq_matrix

array([[1, 0, 2, 0, 0, 1],
       [0, 0, 4, 2, 0, 0],
       [3, 5, 0, 4, 4, 3],
       [0, 4, 1, 0, 3, 0],
       [0, 0, 2, 5, 4, 3],
       [5, 0, 0, 0, 2, 0],
       [0, 4, 3, 0, 0, 0],
       [0, 0, 0, 4, 0, 2],
       [5, 0, 4, 0, 0, 0],
       [0, 2, 3, 0, 0, 0],
       [4, 1, 5, 2, 2, 4],
       [0, 3