机器学习基础（三十五）—— 协同过滤（从匹配用户到匹配商品）

考虑如下的用户对影片的打分，由嵌套字典定义：

critics = {'Lisa Rose': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.5,
                         'Just My Luck': 3.0, 'Superman Returns': 3.5, 'You, Me and Dupree': 2.5,
                         'The Night Listener': 3.0},
           'Gene Seymour': {'Lady in the Water': 3.0, 'Snakes on a Plane': 3.5,
                            'Just My Luck': 1.5, 'Superman Returns': 5.0, 'The Night Listener': 3.0,
                            'You, Me and Dupree': 3.5},
           'Michael Phillips': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.0,
                                'Superman Returns': 3.5, 'The Night Listener': 4.0},
           'Claudia Puig': {'Snakes on a Plane': 3.5, 'Just My Luck': 3.0,
                            'The Night Listener': 4.5, 'Superman Returns': 4.0,
                            'You, Me and Dupree': 2.5},
           'Mick LaSalle': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0,
                            'Just My Luck': 2.0, 'Superman Returns': 3.0, 'The Night Listener': 3.0,
                            'You, Me and Dupree': 2.0},
           'Jack Matthews': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0,
                             'The Night Listener': 3.0, 'Superman Returns': 5.0, 'You, Me and Dupree': 3.5},
           'Toby': {'Snakes on a Plane': 4.5, 'You, Me and Dupree': 1.0, 'Superman Returns': 4.0}}

我们知道如何为指定人员寻找品味相近者，通过欧氏距离或者皮尔逊相关度系数。假如我们想了解哪些商品之间是彼此接近的，又该如何做呢。这一现实应用即是，各大电商网站的“浏览该商品的用户同时购买了”诸如此类的推荐。

我们通过查看哪些人喜欢某一特定物品，如同某个人喜欢哪些商品一样，然后像定义用户之间的相似度一样，定义商品之间的相似度。

def transformPrefs(prefs):
    result = {}
    for p in prefs:
        for item in prefs[p]:
            result.setdefault(item, {})
            result[item][p] = prefs[p][item]
                                                # 活脱脱一个转置
    return result