用python实现【ItemCF】算法

基于物品的协同过滤算法主要思想有两步：

1）计算物品之间的相似度

2）根据物品的相似度和用户的历史行为给用户生成推荐列表

笔者自己动手实现该算法，算法流程为：

• 基于【用户，项目，评分】划分训练集与测试集

• 计算每一个用户的【用户-物品】倒排表Ci

• 所有Ci求和得到总的【用户-物品】倒排表C（Cij表示同时喜欢物品i和j的用户数，即相似度的分子部分）

• 求相似度分母部分，得到矩阵W_（W_ij表示喜欢物品i用户数与喜欢物品j用户数乘积的算术平方根)

• 得到物品相似度矩阵W=C/W_

• 对于用户u，得到其喜欢的物品集合Nu，以及与Nu物品相似度不为0的所有物品item（排除Nu自有物品）

• 对于item的任一物品j，得到与j最相似的K个物品集合Sk

• 对于集合Sk、Nu的交集Nu_Sk每个物品i，计算其与物品j的相似度wji

• 求和wji，得到用户u对物品j的兴趣度Puj

• 得到用户对物品的兴趣度后，剔除用户已喜欢的物品和兴趣度为0的物品，按照兴趣度排序得到推荐列表

• 根据需要给用户推荐长度为N的列表

数据集沿用(UserCF)的电影评分数据集：

1.ratings.dat UserID:用户id MovieId:电影id Rating:评分 Timestamp:时间戳

2.movies.dat 电影id 电影名字 电影类别

3.users.dat 用户id 用户性别 年龄 职业 压缩编码

1.导入必要的python模块

 

import os
import random 
import numpy as np
import pandas as pd
from threading import Thread #导入线程
from sklearn.model_selection import KFold #划分训练集与测试集
from sklearn.metrics import mean_squared_error #均方误差，M