协同过滤算法

最新推荐文章于 2024-04-15 11:02:48 发布

dwanwan16

最新推荐文章于 2024-04-15 11:02:48 发布

阅读量286

点赞数

分类专栏：算法

本文链接：https://blog.csdn.net/wanerding/article/details/104659176

版权

算法专栏收录该内容

2 篇文章 0 订阅

订阅专栏

关于相似度的三种计算，可用于电影推荐系统(希望有大神给我指导意见！）

from random import sample
import json
from math import sqrt
import time
from collections import defaultdict

#曼哈顿 欧式 cos 三种距离

users={"Angelica":{"星际穿越"：3.5，“放牛班的春天”：2.0，
                    "肖申克的救赎"：4.5，"盗梦空间":5.0,
                    "阿甘正传"：1.5，"乱世佳人":2.5,
                    "傲慢与偏见":2.0},
        "Bill":{"星际穿越"：2.0，"放牛班的春天":3.5,
                "肖申克的救赎"：4.5，"盗梦空间": 5.0,
                "阿甘正传"：1.5，"乱世佳人": 2.5,
                "傲慢与偏见": 2.0},
        "Chan":{"星际穿越"：2.0，"放牛班的春天":3.5,
                "肖申克的救赎"：3.5，"盗梦空间": 5.0,
                "阿甘正传"：2.5，"乱世佳人": 2.5,
                "傲慢与偏见": 2.0}
        }

def man_dis(usrl,usr2):
    distance = 0
    flag=False
    for m in users[usrl]:
        if m in users [usr2]:
            distance += abs(users[usr1][m]-users[usr2][m])
            #distance += (users[usr1][m]-users[usr2][m])**2
            flag =True
    if flag == True:
        return distance
    else :
        return -1


def au1_dis(usrl,usr2):
    distance = 0
    flag=False
    for m in users[usrl]:
        if m in users [usr2]:
            distance += (users[usr1][m]-users[usr2][m])**2
            flag =True
    if flag == True:
        return sqrt(distance)
    else :
        return -1


def cos_dis(usrl,usr2):
    ratingl=users[usr1]
    rating2=users[usr2]
    common_movies=[x for x in ratingl if x in rating2]
    if len(common_movies)==0:
        return -1
    fenzi=sum([ratingl[x]*rating2[x] for x in common_movies])
    len_1=sqrt(sum([rating1[x]**2 for x in common_movies]))
    len_2=sqrt(sum([rating2[x]**2 for x in common_movies]))
    if len_1 + len_2==0:
        return -1
    return fenzi/(len_1 * len_2)


def au2_dis(usrl,usr2):
    ratingl=users[usr1]
    rating2=users[usr2]
    common_movies=[x for x in ratingl if x in rating2]
    if len(common_movies)==0:
        return -1
    return sqrt(sum([(ratingl[x] - rating2[x])**2 for x in common_movies]))