itemCF matlab算法,基于物品的协同过滤算法(ItemCF)

物品相似度计算

余弦相似度公式：

其中

，

分别表示对物品

，

喜欢的用户数，

为同时喜欢

和

的人数。我们这里还是使用漫威英雄举例：假设目前共有5个用户： A、B、C、D、E；共有5个漫威英雄人物：死侍、钢铁侠、美国队长、黑豹、蜘蛛侠。用户与人物之间的爱好程度如下图所示：

共现矩阵，记录了同时爱好 i 和 j  的数量：

根据余弦相似度公式计算相似度：

python 实现

import math

class ItemCF:

def __init__(self):

self.user_score_dict = self.initUserScore()

# self.items_sim = self.ItemSimilarity()

self.items_sim = self.ItemSimilarityBest()

# 初始化用户评分数据

def initUserScore(self):

user_score_dict = {

"A": {"a": 3.0, "b": 4.0, "c": 0.0, "d": 3.5, "e": 0.0},

"B": {"a": 4.0, "b": 0.0, "c": 4.5, "d": 0.0, "e": 3.5},

"C": {"a": 0.0, "b": 3.5, "c": 0.0, "d": 0.0, "e": 3.0},

"D": {"a": 0.0, "b": 4.0, "c": 0.0, "d": 3.5, "e": 3.0},

}

return user_score_dict

# 计算item之间的相似度

def ItemSimilarity(self):

itemSim = dict()

# 得到每个物品有多少用户产生过行为

item_user_count = dict()

# 共现矩阵

count = dict()

for user, item in self.user_score_dict.items():

for i in item.keys():

item_user_count.setdefault(i, 0)

if self.user_score_dict[user][i] > 0.0:

item_user_count[i] += 1

for j in item.keys():

count.setdefault(i, {}).setdefault(j, 0)

if (

self.user_score_dict[user][i] > 0.0

and self.user_score_dict[user][j] > 0.0

and i != j

):

count[i][j] += 1

# 共现矩阵 -> 相似度矩阵

for i, related_items in count.items():

itemSim.setdefault(i, dict())

for j, cuv in related_items.items():

itemSim[i].setdefault(j, 0)

itemSim[i][j] = cuv / item_user_count[i]

return itemSim

# 计算item之间的相似度 优化后

def ItemSimilarityBest(self):

itemSim = dict()

# 得到每个物品有多少用户产生过行为

item_user_count = dict()

# 共现矩阵

count = dict()

for user, item in self.user_score_dict.items():

for i in item.keys():

item_user_count.setdefault(i, 0)

if self.user_score_dict[user][i] > 0.0:

item_user_count[i] += 1

for j in item.keys():

count.setdefault(i, {}).setdefault(j, 0)

if (

self.user_score_dict[user][i] > 0.0

and self.user_score_dict[user][j] > 0.0

and i != j

):

count[i][j] += 1

# 共现矩阵 -> 相似度矩阵

for i, related_items in count.items():

itemSim.setdefault(i, dict())

for j, cuv in related_items.items():

itemSim[i].setdefault(j, 0)

itemSim[i][j] = cuv / math.sqrt(item_user_count[i] * item_user_count[j])

return itemSim

# 预测用户对item的评分

def preUserItemScore(self, userA, item):

score = 0.0

for item1 in self.items_sim[item].keys():

if item1 != item:

score += (

self.items_sim[item][item1] * self.user_score_dict[userA][item1]

)

return score

# 为用户推荐物品

def recommend(self, userA):

# 计算userA 未评分item的可能评分

user_item_score_dict = dict()

for item in self.user_score_dict[userA].keys():

# if self.user_score_dict[userA][item] <= 0:

user_item_score_dict[item] = self.preUserItemScore(userA, item)

return user_item_score_dict

if __name__ == "__main__":

ib = ItemCF()

print(ib.recommend("C"))