crab-源码-细节和示例

最新推荐文章于 2019-05-10 10:28:03 发布

weixin_33755554

最新推荐文章于 2019-05-10 10:28:03 发布

阅读量256

点赞数

文章标签： python

原文链接：https://my.oschina.net/kakablue/blog/266400

版权

2019独角兽企业重金招聘Python工程师标准>>>

数据

* 测试用的数据都在 scikits/crab/datasets下

* 数据以自定义容器 Bunch 的形式提供(对数据格式基本无限制)

示例代码

#找到的示例代码有个小错误
#from crab.recommenders.knn import UserBasedRecommender

#应加上scikits前缀
from scikits.crab.recommenders.knn import UserBasedRecommender

#!/usr/bin/env python
#coding=utf-8   

# 基础数据-测试数据
from scikits.crab import datasets
movies = datasets.load_sample_movies()

# 构建 model
from scikits.crab.models import MatrixPreferenceDataModel
model = MatrixPreferenceDataModel(movies.data)

# 选定算法，计算 similarity
from scikits.crab.metrics import pearson_correlation	# 选用算法 pearson_correlation
from scikits.crab.similarities import UserSimilarity
similarity = UserSimilarity(model, pearson_correlation)

# 选择了 基于User的推荐
from scikits.crab.recommenders.knn import UserBasedRecommender
recommender = UserBasedRecommender(model, similarity, with_preference=True)

# 输出个结果看看效果 Recommend items for the user 5 (Toby)
print recommender.recommend(5)

示例代码2

#!/usr/bin/env python
#coding=utf-8   

def itembase_demo():
    from scikits.crab.models.classes import MatrixPreferenceDataModel
    from scikits.crab.recommenders.knn.classes import ItemBasedRecommender
    from scikits.crab.similarities.basic_similarities import ItemSimilarity
    from scikits.crab.recommenders.knn.item_strategies import ItemsNeighborhoodStrategy
    from scikits.crab.metrics.pairwise import euclidean_distances
    movies = {
			'Marcel Caraciolo': \
				{'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}, \
			'Paola Pow': \
				{'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}, \
			'Leopoldo Pires': \
				{'Lady in the Water': 2.5, 'Snakes on a Plane': 3.0, 'Superman Returns': 3.5, 'The Night Listener': 4.0}, 
			'Lorena Abreu': \
				{'Snakes on a Plane': 3.5, 'Just My Luck': 3.0, 'The Night Listener': 4.5, 'Superman Returns': 4.0, 'You, Me and Dupree': 2.5}, \
			'Steve Gates': \
				{'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'Just My Luck': 2.0, 'Superman Returns': 3.0, 'The Night Listener': 3.0, 'You, Me and Dupree': 2.0}, \
			'Sheldom':\
				{'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'The Night Listener': 3.0, 'Superman Returns': 5.0, 'You, Me and Dupree': 3.5}, \
			'Penny Frewman': \
				{'Snakes on a Plane':4.5,'You, Me and Dupree':1.0, 'Superman Returns':4.0}, 'Maria Gabriela': {}
			}
    model = MatrixPreferenceDataModel(movies)
    items_strategy = ItemsNeighborhoodStrategy()
    similarity = ItemSimilarity(model, euclidean_distances)
    recsys = ItemBasedRecommender(model, similarity, items_strategy)
    
    print recsys.most_similar_items('Lady in the Water')
	#Return the recommendations for the given user.
    print recsys.recommend('Leopoldo Pires')
    #Return the 2 explanations for the given recommendation.
    print recsys.recommended_because('Leopoldo Pires', 'Just My Luck', 2)
	#Return the similar recommends
    print recsys.most_similar_items('Lady in the Water')
	#估算评分
    print recsys.estimate_preference('Leopoldo Pires','Lady in the Water')
	
	
itembase_demo()

转载于:https://my.oschina.net/kakablue/blog/266400