理解基于协同过滤的推荐系统（附代码）

协同过滤假设用户过去的偏好也是他未来的偏好，通过利用过去的偏好作为确定用户之间相关性的指标。
不关心物品的描述属性，而是利用用户对他们的意见来计算相似度。

下为实现代码：

def standEst(dataMat, user, simMeas, item):
        n=shape(dataMat)[1]     #0为行，1为列，dataMat的列数,行为用户，列为物品，得到了物品数
        simTotal=0.0
        ratSimTotal=0.0
        for j in range(n):
                userRating = dataMat[user,j]    #第user个用户对第j个物品的评价
                if userRating == 0: continue    #如果对于这个user对于某个物品的评分为0，跳过这个物品
                overLap = nonzero(logical_and(dataMat[:,item] .A>0,dataMat[:,j] .A>0))[0]
                #.A将矩阵转化为数组
                #dataMat[:,item]>0表示目标物品对应列哪些大于0为True，dataMat[:,j]>0表示所遍历的列
                #大于零的为True，logical_and把他们合起来找出都大于0的部分，[0]来找出他们的行数，就是找
                #哪些人！对这两个物品都评价过。
                if len(overLap)==0 : similarity=0
                else:similarity=simMeas(dataMat[overLap,item],dataMat[overLap,j])
                print('the %d and %d similarity is: %f' % (item,j,similarity))
                simTotal=simTotal+similarity
                ratSimTotal=ratSimTotal+similarity*userRating
        if simTotal == 0: return 0
        else: return ratSimTotal/simTotal