推荐系统初探之一 —— 寻找相似的用户

最新推荐文章于 2024-04-24 07:15:00 发布

质数不孤独

最新推荐文章于 2024-04-24 07:15:00 发布

阅读量946

点赞数 1

分类专栏：机器学习笔记文章标签：机器学习提供推荐相似度评价欧几里得距离皮尔逊相关度

本文链接：https://blog.csdn.net/u011009574/article/details/84489229

版权

本文介绍了推荐系统的基本原理，通过Python展示了如何寻找相似的用户。主要探讨了两种用户品味相似度评价方法：欧几里得距离和皮尔逊相关度。在欧几里得距离中，通过评分的平方和开平方获取距离，然后取倒数得到相似度。皮尔逊相关度则是衡量数据相关性的指标，尤其能修正评分习惯对结果的影响。

摘要由CSDN通过智能技术生成

推荐系统初探之一 —— 寻找相似的用户

不知当你登陆亚马逊、淘宝等购物网站时，是否留意过那神奇推荐栏：当你买过一部手机，那里会出现你需要的手机配件；但你买过一本书，它会给你推荐一大堆类似的书籍；而有时候它甚至会向你推荐你可能喜欢的影片，即使你可能只在这买过食品……

其实，大多数购物网站都会有一个推荐系统，通过分析你的兴趣偏好，找到与你有相同品味的人，以此来把你可能喜欢的商品推荐给你。

想知道这些推荐系统背后的秘密吗？现在开始，让我们使用python语言，揭开这些推荐系统背后的秘密。

一、数据的引入

首先，我们建一个名为recommendations.py的python文件，用一段代码建立一组简单的数据，内容为几位影评者对不同电影的评价

# -*- coding: cp936 -*-
#一个涉及影评者机器对几部电影评分情况的字典
critics = {'Lisa Rose':{'Lady in the Water':2.5, 'Snacks on a Plane': 3.5,
                        'Lust 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, 'Snacks on a Plane': 3.5,
                        'Lust My Luck': 1.5, 'Superman Returns': 5.0,
                        'You, Me and Dupree': 3.5, 'The Night Listener': 3.0},
           'Michael Phillips':{'Lady in the Water':2.5, 'Snacks on a Plane': 3.0,
                        'Superman Returns': 3.5, 'The Night Listener': 4.0},
           'Claudia Puig':{'Snacks on a Plane': 3.5, 'Lust My Luck': 3.0,
                           'Superman Returns': 4.0, 'You, Me and Dupree': 2.5,
                           'The Night Listener': 4.5},
           'Mick LaSalle':{'Lady in the Water':3.0, 'Snacks on a Plane': 4.0,
                        'Lust My Luck': 2.0, 'Superman Returns': 3.0,
                        'You, Me and Dupree': 2.0, 'The Night Listener': 3.0},
           'Jack Matthews':{'Lady in the Water':3.0, 'Snacks on a Plane': 4.0,
                            'Superman Returns': 5.0,