基于物品的协同过滤_修正的余弦相似度

最新推荐文章于 2022-10-10 10:23:16 发布

#JerryLee#

最新推荐文章于 2022-10-10 10:23:16 发布

阅读量3.5k

点赞数 1

分类专栏：【DataMining】

本文链接：https://blog.csdn.net/u013058160/article/details/51173490

版权

该博客介绍了一种基于物品的协同过滤方法，通过计算用户对不同物品评分的余弦相似度来评估物品之间的关联性。具体实现中，首先计算每个用户对所有物品的平均评分，然后根据用户对特定物品的评分与平均评分的差值来计算相似度，最后返回两个物品的相似度分数。

摘要由CSDN通过智能技术生成

from math import sqrt

users3 = {"David": {"Imagine Dragons": 3, "Daft Punk": 5,
                    "Lorde": 4, "Fall Out Boy": 1},
          "Matt": {"Imagine Dragons": 3, "Daft Punk": 4,
                   "Lorde": 4, "Fall Out Boy": 1},
          "Ben": {"Kacey Musgraves": 4, "Imagine Dragons": 3,
                  "Lorde": 3, "Fall Out Boy": 1},
          "Chris": {"Kacey Musgraves": 4, "Imagine Dragons": 4,
                    "Daft Punk": 4, "Lorde": 3, "Fall Out Boy": 1},
          "Tori": {"Kacey Musgraves": 5, "Imagine Dragons": 4,
                   "Daft Punk": 5, "Fall Out Boy": 3}}


def computeSimilarity(band1,band2,userRatings):
    average = {}
    #求出每一个user评价物品的均值
    for (key,ratings) in userRatings.items():
        ave

最低0.47元/天解锁文章

#JerryLee#

关注

1
点赞
踩
6

收藏

觉得还不错? 一键收藏
1
评论
基于物品的协同过滤_修正的余弦相似度

from math import sqrtusers3 = {"David": {"Imagine Dragons": 3, "Daft Punk": 5, "Lorde": 4, "Fall Out Boy": 1}, "Matt": {"Imagine Dragons": 3, "Daft Punk": 4,
复制链接

扫一扫

专栏目录