python Slope one

"""
#slope one算法是基于 ”同物品“ 之间的 ”评分差“  的线性算法，预测用户对物品评分的个性化算法
#适用商品的更新不频繁，数量相对稳定且物品数明显小于用户数的场景，依赖用户的行为日志和物品偏好的相关内容
#优点：1算法简单，2可以发现用户潜在的兴趣爱好
#缺点：依赖用户行为，存在冷启动问题和稀疏性问题
"""



#计算物品之间评分差的平均值，输入如下
#items 物品-用户评分数据items
#users 用户-物品评分数据users
#averages 存放平均分字典类型数据
def buildAverageDiffs(items, users, averages):
    #遍历每条物品-用户评分数据
    for itemId in items:
        #遍历每条其他物品-用户评分数据
        for otherItemId in items:
            #物品间的评分偏差
            average = 0.0
            #两件物品均评过分的用户数
            userRatingPairCount = 0
            #若为不同的物品项
            if itemId != otherItemId:
                #遍历每条用户-物品评分数据
                for userId in users:
                    #每条数据为用户对物品的评分
                    userRatings = users[userId]
                    #当前物品项在用户的评分数据中，且用户也对其他物品有评分
                    if itemId in userRatings and otherItemId in userRatings:
                        #两件物品均评过分的用户数加1
                        userRatingPairCount += 1
                        #评分偏差为每项当前物品评分-其他物品评分求和
                        average += (userRatings[otherItemId] - userRatings[itemId])
                #物品间的评分偏差等于评分偏差和/两件物品均评过分的用户数
                averages[(itemId,otherItemId)] = average / userRatingPairCount

#推荐评分，输入如下
#users 用户-物品评分数据users
#items 物品-用户评分数据items
#averages 物品间的评分偏差
#targetUserId 推荐用户targetUserId
#targetItemId 推荐物品targetItemId
#return 预测评分
def suggestedRating(users, items, averages, targetUserId, targetItemId):
    #预测评分分母
    runningRatingCount = 0
    #预测评分分子
    weightedRatingTotal = 0.0
    #遍历需要推荐的用户targetUserId对有过评分的物品
    for i in users[targetUserId]:
        #保存当前物品与要推荐物品targetItemId，共同评分用户数
        ratingCount = usersWhoRatedBoth(users, i, targetItemId)
        #分子
        weightedRatingTotal += (users[targetUserId][i] - averages[(targetItemId, i)]) * ratingCount
        #分母
        runningRatingCount += ratingCount
        #返回预测评分
    return weightedRatingTotal / runningRatingCount

#物品itemId1与itemId2共同有多少用户评分
def usersWhoRatedBoth(users, itemId1, itemId2):
    count = 0
    #用户-物品评分数据users
    for userId in users:
        #用户对物品itemId1与itemId2都有过评分则计数值加1
        if itemId1 in users[userId] and itemId2 in users[userId]:
            #加1
            count += 1
        #返回itemId1与itemId2共同评分用户数
    return count

if __name__ == '__main__':
    items = {'A': {1:5, 2:3},
             'B': {1:3, 2:4, 3:2},
             'C': {1:2, 3:5}}

    users = {1: {'A':5, 'B':3, 'C':2},
             2: {'A':3, 'B':4},
             3: {'B':2, 'C':5}}

    #物品间评分偏差初始化
    averages = {}
    #计算物品之间评分差的平均值
    buildAverageDiffs(items, users, averages)
    print averages

    #输出：总共的物品项、用户数
    print({'ItemCount': len(items), 'UserCount': len(users)} )
    print("Guess that user A will rate item 3= " + str(suggestedRating(users,items, averages, 3, 'A')))