基于物品的协同过滤推荐算法(ItemCF)

最新推荐文章于 2021-06-13 23:21:58 发布

xj6591073

最新推荐文章于 2021-06-13 23:21:58 发布

阅读量8.4k

点赞数 14

分类专栏： Hadoop

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/xj6591073/article/details/79049469

版权

Hadoop 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

。首先给用户行为定义相应的权重积分

。算法思路：给用户推荐那些和他们之前喜欢的物品相似的物品

实例如下：

算法步骤：

（1）

余弦相似度计算计算逻辑,以物品1和物品2为例;

计算得：

对比评分矩阵，对于已经推荐过的物品要去除推荐

去除推荐就是置为0，并且选出评分最高的物品就是用户最应该推荐的一个物品了

总结：

关注

14
点赞
踩
79

收藏

觉得还不错? 一键收藏
12
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

xj6591073 CSDN认证博客专家 CSDN认证企业博客

码龄14年

2: 原创

56万+: 周排名

150万+: 总排名

8933: 访问

: 等级

138: 积分

5: 粉丝

14: 获赞

12: 评论

71: 收藏

私信

关注

热门文章

分类专栏

最新评论

基于物品的协同过滤推荐算法(ItemCF)
小、毓: 为什么相似度矩阵*评分矩阵=推荐列表吖？
基于物品的协同过滤推荐算法(ItemCF)
qq_43765347: [code=java] double weight=0;/*余弦相似度*/ double numerator=0;/*余弦分子*/ double denominatorI=0;/*余弦分母I*/ double denominatorJ=0;/*余弦分子J*/ for(int k=0;k<3;k++){ numerator = numerator + userItemScore_mat.getAsDouble(i,k) * userItemScore_mat.getAsDouble(j,k); denominatorI = denominatorI + userItemScore_mat.getAsDouble(i,k) * userItemScore_mat.getAsDouble(i,k); denominatorJ = denominatorJ + userItemScore_mat.getAsDouble(j,k) * userItemScore_mat.getAsDouble(j,k); } weight=numerator/(Math.sqrt(denominatorI)*Math.sqrt(denominatorJ)); itemSimilarity_mat.setAsDouble(weight,i,j); itemSimilarity_mat.setAsDouble(weight,j,i); } } System.out.println("物品相似度矩阵："+itemSimilarity_mat); /*推荐矩阵=相似度矩阵*评分矩阵*/ Matrix recommend_mat=itemSimilarity_mat.mtimes(userItemScore_mat); [/code]
基于物品的协同过滤推荐算法(ItemCF)
qq_43765347: java代码暴力实现：[code=java] Matrix userItemScore_mat = Matrix.Factory.zeros(6, 3); System.out.println("矩阵mat:"+userItemScore_mat); userItemScore_mat.setAsDouble(2,0,0); userItemScore_mat.setAsDouble(5,0,2); userItemScore_mat.setAsDouble(10,1,0); userItemScore_mat.setAsDouble(3,1,1); userItemScore_mat.setAsDouble(15,2,2); userItemScore_mat.setAsDouble(3,3,0); userItemScore_mat.setAsDouble(5,3,2); userItemScore_mat.setAsDouble(3,4,1); userItemScore_mat.setAsDouble(5,5,0); userItemScore_mat.setAsDouble(5,5,1); System.out.println("用户商品评分矩阵:"+userItemScore_mat); /*计算物品相似度矩阵*/ Matrix itemSimilarity_mat = Matrix.Factory.zeros(6, 6); for(int i = 0;i< 6;i++){ for (int j =i;j<6;j++){ if(i==j){ itemSimilarity_mat.setAsDouble(1,i,j); continue; } double weight=0;/*余弦相似度*/ [/code]
基于物品的协同过滤推荐算法(ItemCF)
qq_36653015: 棒！
基于物品的协同过滤推荐算法(ItemCF)
CDnGJVLbC5: 代码实现： [code=python] import numpy as np import pandas as pd from sklearn.metrics.pairwise import cosine_similarity data = [[2, 0, 5],[10, 3, 0],[0, 0, 15],[3, 0, 5],[0, 3, 0],[5, 5, 0]] score_matrix = pd.DataFrame(data, columns=['A', 'B', 'C'], index=range(1,7)) sim_matrix = cosine_similarity(score_matrix) rec_list = sim_matrix.dot(score_matrix) rec_list = pd.DataFrame(rec_list, columns=['A', 'B', 'C'], index=range(1,7)) rec_list = rec_list.round(1) # 只保留小数点后 1 位 rec_list[score_matrix != 0] = 0 # 向用户推荐对应 item 编号的商品 print(pd.DataFrame(rec_list[['A', 'B', 'C']].idxmax(axis=0), columns=['item'])) [/code]

大家在看

最新文章

java系统高并发解决方案

目录

评论 12

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。