python协同过滤电影推荐的论文_基于Python的协同过滤算法的设计与实现

■

收稿日期

:

2019

-

01

-

03

作者简介

:

张玉叶

(

1973

—),

女

,

硕士

,

济南职业学院计算机学院副教授

,

研究方向

:

网站建设

、

软件开发

、

大数据

。

宿超

(

1970

—),

男

,

硕士

,

山东广播电视大学高级工程师

。

基于

Python

的协同过滤算法的设计与实现

张玉叶

1

,

宿

超

2

(

1.

济南职业学院

,

山东

济南

250014

;

2.

山东广播电视大学

,

山东

济南

250014

)

摘

要

:

协同过滤算法是推荐系统中最常用的推荐算法之一

,

该算法的关键是计算物品或用户的相似度

,

通常采用同现矩阵来实现

,

因同现矩阵是一稀疏矩阵

,

已有的一些推荐系统中通常采用二维数组来存放同现

矩阵

,

利用第三方扩展库

Numpy

来计算推荐评分

,

时间空间效率相对较低

,

利用

Python

内置的序列字典来存

放稀疏矩阵

,

自行编写相应的代码来求解推荐评分

,

可有效提高算法的时间

、

空间效率

。

关键词

:

推荐系统

;

协同过滤

;

同现矩阵

中图分类号

:

TP391．

1

文献标识码

:

A

文章编号

:

1008

-

3340

(

2019

)

02

-

0082

-

04

一

、

引言

随着网络的飞速发展

,

网络信息飞速增长

,

人

们面临着

“

信息过载

”

和

“

信息迷航

”

的问题

。

借助

于搜索引擎

,

人们可以从海量信息中查找到自己

所需的信息

。

但是

,

搜索引擎只适用于在有明确

需求的情况下帮人们查找信息

,

如果在没有明确

需求的情况下

,

搜索引擎则难以帮助人们有效地

筛选信息

。

此时推荐技术应运而生

,

它通过研究

用户的兴趣偏好

,

自动建立起用户和信息之间的

联系

,

从而帮助用户从海量信息中去发掘自己潜

在的需求

。

推荐系统是建立在海量数据挖掘基础上的

,

它通过分析用户的历史数据来了解用户的需求和

兴趣

,

从而将用户感兴趣的信息

、

物品等主动推荐

给用户

,

其本质是建立用户与物品之间的联系

。

常用的推荐算法主要有专家推荐

、

基于统计的推

荐

、

基于内容的推荐和协同过滤推荐等

。

其中协

同过滤推荐是推荐系统中应用最早和最为成功的

算法

。

协同过滤算法的关键是计算相似度及求解推

荐评分

,

在计算时需要用到矩阵的一些运算

。

Py-

thon

的第三方扩展库

Numpy

是一科学计算库

,

提

供了大量的数组及矩阵运算

,

因此很多推荐系统

中都是利用

Numpy

来实现协同过滤算法

,

但因协

同过滤算法中涉及到的矩阵多是稀疏矩阵

,

采用

普通的二维数组存放存在大量的无效存储

,

空间

利用率较低

,

同时利用

Numpy

扩展库也无法进行

算法的优化

,

因此本文利用

Python

的内置序列字

典来存放稀疏矩阵

,

自行编制相应的代码来求解

推荐评分

,

可有效提高算法的时间空间效率

。

二

、

协同过滤算法

协同过滤算法分为基于用户的协同过滤算法

和基于物品的协同过滤算法

。

基于用户的协同过滤算法

(

简称

UserCF),

通

过不同用户对物品的评分来评测用户之间的相似

性

,

基于用户之间的相似性做出推荐

。

简单说就

是给用户推荐和他兴趣相似的其他用户喜欢的物

品

。

基于物品的协同过滤算法

(

简称

ItemCF),

通

过用户对不同物品的评分来评测物品之间的相似

性

,

基于物品之间的相似性做出推荐

。

简单说就

是给用户推荐和他之前喜欢的物品相似的物品

。

2

8