python实现lfm_【知识发现】隐语义模型(LFM,Latent Factor Model)推荐算法python实现

1、隐语义模型：

物品：表示为长度为k的向量q(每个分量都表示  物品具有某个特征的程度)

用户兴趣：表示为长度为k的向量p(每个分量都表示  用户对某个特征的喜好程度)

用户u对物品i的兴趣可以表示为：

其损失函数定义为：

使用随机梯度下降，获得参数p,q。

负样本生成：对于只有正反馈信息(用户收藏了，关注了xxx)的数据集，需要生成负样本，原则如下

1)生成的负样本要和正样本数量相当

2)物品越热门(用户没有收藏该物品)，越有可能是负样本

2、数据集：https://grouplens.org/datasets/movielens/

格式：

3、参考代码：

# -*- coding: utf-8 -*-

'''

Created on 2017年9月15日

@author: Jason.F

'''

from math import exp

import pandas as pd

import numpy as np

import pickle

import time

from numpy import rank

def getUserNegativeItem(frame, userID):

'''

获取用户负反馈物品：热门但是用户没有进行过评分 与正反馈数量相等

:param frame: ratings数据

:param userID:用户ID

:return: 负反馈物品

'''

userItemlist = list(set(frame[frame['userid'] == userID]['itemid'])) #用户评分过的物品

otherItemList = [item for item in set(frame['itemid'].values) if item not in userItemlist] #用户没有评分的物品

itemCount = [len(frame[frame['itemid'] == item]['userid']) for item in otherItemList] #物品热门程度

series = pd.Series(itemCount, index=otherItemList)

series = series.sort_values(ascending=False)[:len(userItemlist)] #获取正反馈物品数量的负反馈物品