推荐系统2（案例）：电影评分、基于k临近

一、电影评分预测案例

• 扩展：python中的pickle模块

pickle提供了一个简单的持久化功能，可以将对象以文件的形式存放在磁盘上。例如csv文件

pickle模块只能在python中使用，python中几乎所有的数据类型（列表、字典、集合、类等）都可以用pickle来序列化。

1、做透视（透视表）

将csv文件转化成二维表格（矩阵），找到user和movie的关系
透视代码：
透视结果：

完整代码：

2、相似度计算

3、User-Based CF预测评分

评分测评公式：

1、实现评分预测方法：predict（预测给定用户对给定物品的评分值）

去除自身和NALL，并且只保留正相关。


index:索引，每个数据对应的编号。
&：交集

2、实现预测全部评分的方法：predict_all （预测给定用户对所有物品的评分值）

添加过滤规则：

根据预测评分为指定用户进行TOP-N推荐：

4、Item-Based CF

同用户相似。

总结：上述两个案例都没有用到KNN，如果用，在相关处。

扩展：Lambda
lambda表达式是一行的函数，他们在其它语言中也被称为匿名函数。让代码简单，只使用一次。

使用方法：在lambda语句中，冒号前面是参数，可以有多个，用逗号隔开，冒号右边是返回值。

lambda 参数：操作（参数）
add= lambda x,y:x+y print(add(3,5))
output:8

总结回顾

二、基于k临近的协同过滤

k临近，增加一部分代码，其他同前一个案例。
排序后再取前k个。