构建基于相似用户的推荐

3 篇文章 0 订阅

计算用户相似度:两个用户相似度就简单等同两者一致性评分次数除以两者共同评分过的条目

02data.php

<?php $data = array( 'Frank'=>array( 'Tears'=>5, 'La'=>4, 'Robinson'=>5, 'Yesterday'=>4, 'Wizard'=>5, 'Mozart'=>5, 'Bethoven'=>5, ), 'Constantine'=>array( 'Tears'=>5, 'Fiddler'=>5, 'Robinson'=>5, 'Wonderful World'=>4, 'Wizard'=>4, 'Let It Be'=>5, 'Mozart'=>5 ), 'Catherine'=>array( 'Tears'=>1, 'Robinson'=>2, 'Yesterday'=>2, 'Beethoven'=>3, 'Sunnday'=>1, 'Let It Be'=>2, ), 'David'=>array( 'Tears'=>1, 'Robinson'=>2, 'Yesterday'=>2, 'Let It Be'=>2, 'Bethoven'=>5, 'love'=>1, 'world'=>1 ), 'lei'=>array( 'love'=>1, 'Bethoven'=>5 ) ); ?>

 

03.php

<?php /** * * 基于相似用户的推荐 * @author lei * */ class SimilarUsers { public function estimateUserBasedRating($user, $anotherUser) { $pMatrix = array(); $sMatrix = array(); foreach ($anotherUser as $key=>$value){ $sim = $this->getSimilar($user, $value); if($sim!=0){ //遍历对相似度不为0的其它用户,并对$user没有打分的项进行预测 foreach ($value as $key2=>$value2){ if(!isset($user[$key2])){ //根据相似度对分值加权 isset($pMatrix[$key2])?($pMatrix[$key2]+=$sim*$value2):($pMatrix[$key2]=$sim*$value2); isset($sMatrix[$key2])?($sMatrix[$key2]+=$sim):($sMatrix[$key2]=$sim); } } } } foreach ($pMatrix as $key=>$value){ //以加权值与直接和之比作为预测分值 $estimatedRating[$key] = (double)$pMatrix[$key]/(double)$sMatrix[$key]; } arsort($estimatedRating); return $estimatedRating; } private function simMatrix($user1, $user2) { //假设网站打分区间1-5分 $matrix = array_fill(1, 5, array_fill(1, 5, 0)); foreach ($user1 as $key1=>$value1){ if (isset($user2[$key1])) $matrix[$value1][$user2[$key1]]++; } return $matrix; } /* * 两个用户相似度就简单等于两者一致性评分的次数除以两者共同评分过的条目 */ private function getSimilar($user1, $user2) { $sim = 0; $matrix = $this->simMatrix($user1, $user2); $total = $this->getTotalCount($matrix); $agreement = $this->getAgreementCount($matrix); if($total!=0) $sim = (double)$agreement/(double)$total; return $sim; } /* * 不同计数器辅助方法 */ private function getTotalCount($matrix) { $ratingCount = 0; foreach ($matrix as $key=>$value){ $ratingCount += array_sum($value); } return $ratingCount; } private function getAgreementCount($matrix) { $ratingCount = 0; $n = count($matrix); for($i=1; $i<=$n; $i++){ $ratingCount += $matrix[$i][$i]; } return $ratingCount; } } include_once '02data.php'; $user = $data['Frank']; unset($data['Frank']); $another = $data; $estimate = new SimilarUsers; $p = $estimate->estimateUserBasedRating($user,$data); var_dump($p); ?>

本套大数据热门技术Spark+机器学习+贝叶斯算法系列课程,历经5年沉淀,调研企业上百家,通过上万学员汇总,保留较为完整的知识体系的同时,让每个模块看起来小而精,碎而不散。在本课程中基于大量案例实战,深度剖析和讲解Spark2.4原理和新特性,且会包含完全从企业真实业务需求中抽取出的案例实战。内容涵盖Spark核心编程、Spark SQL和Spark Streaming、Spark内核以及源码剖析、推荐系统、Kafka消费机制、Spark机器学习、朴素贝叶斯算法、企业级实战案例等。通过理论和实际的紧密结合,可以使学员对大数据Spark技术栈有充分的认识和理解,在项目实战中对Spark和流式处理应用的场景、以及大数据开发有更深刻的认识;并且通过对流处理原理的学习和与批处理架构的对比,可以对大数据处理架构有更全面的了解,为日后成长为架构师打下基础。本套教程可以让学员熟练掌握Spark技术栈,提升自己的职场竞争力,实现更好的升职或者跳槽,或者从J2EE等传统软件开发工程师转型为Spark大数据开发工程师,或是对于正在从事Hadoop大数据开发的朋友可以拓宽自己的技术能力栈,提升自己的价值。Spark应用场景Yahoo将Spark用在Audience Expansion中的应用,进行点击预测和即席查询等。淘宝技术团队使用了Spark来解决多次迭代的机器学习算法、高计算复杂度的算法等。应用于内容推荐、社区发现等。腾讯大数据精准推荐借助Spark快速迭代的优势,实现了在“数据实时采集、算法实时训练、系统实时预测”的全流程实时并行高维算法,最终成功应用于广点通pCTR投放系统上。优酷土豆将Spark应用于视频推荐(图计算)、广告业务,主要实现机器学习、图计算等迭代计算。本套大数据热门技术Spark+机器学习+贝叶斯算法共计13季,本套为第11季。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值