基于物品的协作性过滤推荐系统（为用户推荐影片）

前面的两篇是基于用户的推荐， 但是当物品很多的时候就显得很慢了， 所以就有了基于物品的推荐， 好处就是提前算好任何两件物品的相似度， 这样就可以节省大量的运算（只需要定期更新物品之间的关系）

#!/usr/bin/env python 
#coding=GBK
import chardet
from math import sqrt 
import urllib
import pydelicious as pdl

#电影打分， ltl对a电影打了4.3分.....
critics = {'ltl':{'a':4.3, 'b': 3.5, 'c': 4.7}
            ,'oyl':{'a': 4.3, 'b': 3.5, 'd': 3.0, 'e':4.2}
            ,'ygq':{'b': 3.2, 'c': 2.7, 'd': 4.1, 'f':2.1}
            ,'mmm':{'a': 2.3, 'd': 4.3, 'e': 1.9}
            }
#求person1， 和perso2之间的相似度
def sim_distance(prefs, dianying, dianying2):
    dis = 0
    for item in prefs[dianying]:
        if item in prefs[dianying2]:
            dis += (pow(prefs[dianying][item] - prefs[dianying2][item], 2))
            
    return 1 / (1 + sqrt(dis))
   
#跟电影相似的其他前n个电影
def topMatchs(prefs, item, n = 5, similarity = sim_distance):
    scores = [(similarity(prefs, item, other), other)for other in prefs if other != item]
    scores.sort()
    scores.reverse()
    return scores[0:n]


#将prefs里面的主副导致， 比如电影a， 有ltl给了4.3分， oyl给了4.3分， mmm给了2.3分
def transformPrefs(prefs):
    results = {}
    for person in prefs:
        for item in prefs[person]:
            results.setdefault(item, {})
            results[item][person] = prefs[person][item]
    return results

#计算任意两部电影之间的相似度
def calculateSimilarItems(prefs, n = 10):
    result = {}
    itemPrefs = transformPrefs(prefs)
    c = 0
    for item in itemPrefs:
        c += 1
        if c % 100 == 0:
            print "%d / %d" %(c, len(itemPrefs))
        scores = topMatchs(itemPrefs, item, 10, sim_distance)
        result[item] = scores
    return result

#基于物品的协作性过滤，这样的好处就是可以提前计算好任何两件物品的相关度， 从而提速
def getRecommendedItems(prefs, itemMatch, user):
    scores  = {}
    simSums = {}
    
    for (item, rating) in prefs[user].items():
        for (similarity, item2) in itemMatch[item]:
            if item2 in prefs[user]:
                continue
            simSums.setdefault(item2, 0)
            simSums[item2] += similarity
            
            scores.setdefault(item2, 0)
            scores[item2] += (rating * similarity)
            
    rankings = [(score / simSums[item], item) for item, score in scores.items()]
    rankings.sort()
    rankings.reverse()
    return rankings

itemSim = calculateSimilarItems(critics, 10)

print getRecommendedItems(critics, itemSim, 'ltl')