本系列以书中源码为主,稍作修改并添加注释,均实际运行可行。为免后来者踩坑,特此公开!欢迎打赏!
转载请注明出处!
from numpy import *
from numpy import linalg as la
#产生数据集
def loadExData() :
return [[1, 1, 1, 0, 0],
[2, 2, 2, 0, 0],
[1, 1, 1, 0, 0],
[5, 5, 5, 0, 0],
[1, 1, 0, 2, 2],
[0, 0, 0, 3, 3],
[0, 0, 0, 1, 1]]
#定义三种相似度计算函数
# inA和inB都是列向量
def ecludSim(inA, inB) :
#norm为numpy中计算2范数(欧式距离)的函数
return 1.0/(1.0 + la.norm(inA - inB))
#皮尔逊相关系数
def pearsSim(inA, inB) :
# 检查是否存在三个或更多的点,若不存在,则返回1.0,这是因为此时两个向量完全相关
if len(inA) < 3 : return 1.0
return 0.5+0.5*corrcoef(inA, inB, rowvar = 0)[0][1]
#余弦相似度
def cosSim(inA, inB) :
num = float(inA.T*inB)
denom = la.norm(inA)*la.norm(inB)
return 0.5+0.5*(num/denom)
#测试以上函数
myMat = mat(loadExData())
ecludSim(myMat[:,0],myMat[:,4])
#基于物品相似度(列)的推荐引擎,另一种是基于用户相似度(行)的推荐引擎
# 用来计算在给定相似度计算方法的条件下,用户对物品的估计评分值