【配套博客】《集体智慧编程》推荐系统

破幻星空

已于 2023-11-20 10:58:49 修改

阅读量170

点赞数

分类专栏：读书笔记算法无关主业文章标签：算法集体智慧编程笔记

于 2023-11-13 20:26:59 首次发布

本文链接：https://blog.csdn.net/qq_39760343/article/details/134385510

版权

背景介绍

第一性原则 ：推荐算法的核心应用场景，无所谓就是给什么样的人看什么样的东西，在这个基础上保证好所推荐的事物的相关度和顺序。因此我们可以得知一个推荐工程的算法，肯定会包含两部分 获得推荐集和排序。下面我们将围绕着这两点介绍一下 09年一个主流的推荐系统是怎样进行设计和运行的。

场景介绍

我们首先思考一个这样的场景，我们是一个视频播放网站，现在我们要对一个用户提供一份推荐的电影列表。

如果让做工程的同学来进行思考，这个其实也并不是一个无法完成的任务，因为电影的数量是非常多的，但是我们能从一些其他知识库非常轻松的获得一份电影评分，我们可以利用排序算法或者topk算法简单的获得一个榜单，并且把这个榜单推送给所有用户。

如果不借助任何高深的算法，我们可以很容易的给出一份工程上的推荐时间，但是如果我们现在能够额外获得一些用户的知识，我们是否能够做到对每个用户进行更加个性化的推荐呢，这其实也并非是难以做到的，我们后面需要用到一些简单高中数学和数理统计的知识，来实现一些能够帮助我们进行 协同过滤 的算法，从而帮助我们实现这个功能。

协同过滤：这个概念非常的好理解，正如我们前文所提到的，推荐工程中一定要首先获得一个推荐集，那么如何实现这个过程，我们可以使用协同过滤的工具，我们尝试对我们的全部搜索集进行搜索，应用算法找到和我们的taget_item 相似度最高的一个物品集合，然后针对这个集合做好排序，我们就完成了推荐系统

算法介绍

ps 所有的代码都可以在这里找到:
https://github.com/orikey0/Programming-Collective-Intelligence-Source-Code
由于09年基本上还用的是python2，这里笔者将按照python3和python的代码规范进行了一定改造，并且添加了原书中没有代码实现的算法。笔者承诺建设完成中所有代码开箱即用。

下面我们结合一个具体的场景，介绍常见的几种计算相关型的算法。
我们现在有一批观影网站用户的评分信息，我们把他们组合成如下形式

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,