本文共 3461 字，大约阅读时间需要 11 分钟。

• 参考《推荐系统实践》项亮
• 概念： 基于物品的协同过滤算法，优化算法
• 对比：用户协同过滤的优缺点
• python编码实现

1，算法定义

1.1算法优化

1::a	1::b	1::c	2::a	2::b	3::c	4::a	4::d

2，python实现

第一步： 计算商品之间的相似度（余弦相似度计算公式）

第二步： 过滤&生成推荐列表,偏好值累加求和

具体代码如下

# -*-coding:utf-8-*-import math#第一步： 计算每个商品之间的相似度def getMostLikeItemsGroupK(itemUsersDict):    recommDict = {}    for i, usersI in itemUsersDict.items():        for j, usersJ in itemUsersDict.items():            if i < j:                if i not in recommDict.keys():                    recommDict[i] = {}                if j not in recommDict.keys():                    recommDict[j] = {}                # 计算相似度,共同交互商品数                ratio= 0.0                setA = set(usersI)                setB = set(usersJ)                common = setA.intersection(setB)                if common.__len__() == 0:                    ratio= 0.0                else:                    bot = math.sqrt(setA.__len__() * setB.__len__())                    ratio= float(common.__len__()) / bot                recommDict[i][j] = ratio                recommDict[j][i] = ratio    # 对M中每个用的相似度字典按照相似度倒排序    dict2 = {}    for k,v in recommDict.items():        dict2[k] = sorted(v.items(), key=lambda e: e[1], reverse=True)    #1,物品相似度的未归一化    #return dict2    #2,物品相似度的归一化：Karypis 在研究中发现如果将    def normalItemLike(parmDict):        dict3 = {}        for k,v in parmDict.items():            dict3[k] = []            mx = v[0][1]            for t in v:                dict3[k].append((t[0] , float(t[1]) / mx))        return dict3    return normalItemLike(dict2)##############第二步： 过滤& 生成推荐列表,偏好值累加求和def recommItemCF(u,K):    # 准备数据：返回的推荐字典[],用户->商品之间的字典, 商品->用户之间的字典    recommDict = {}    userItemsDict = {}    itemUsersDict = {}    file = open("/home/wang/IdeaProjects/big124/mypython/a")    while True :        line = file.readline()        if line != '':            arr = line.replace("\n","").split("::")            uid = int(arr[0])            iid = str(arr[1])            # userItemDict            if uid in userItemsDict.keys():                userItemsDict[uid].append(iid)            else :                userItemsDict[uid] = [iid]            # itemUsersDict            if iid in itemUsersDict.keys():                itemUsersDict[iid].append(uid)            else:                itemUsersDict[iid] = [uid]        else:            break ;    # 1,寻找每个用户history商品:  其他相似的商品组    dict1 = getMostLikeItemsGroupK(itemUsersDict)    for i in userItemsDict[u]: # 找到每个用户的历史商品        itemsK = dict1[i][:K]  #取出k个相似商品        for j in itemsK:            if j[0] not in userItemsDict[u]:                #2, 生成商品推荐列表                if j[0] not in recommDict.keys():                    recommDict[j[0]] = 0.0                recommDict[j[0]] = recommDict[j[0]] + j[1]    #3,排序商品推荐列表    return sorted(recommDict.items() , key=lambda e:e[1] ,reverse=True)###############第三步, 测试结果############################if __name__ =="__main__":    recommList=recommItemCF(2,3)    for i in recommList:        print i

对比结果：基于商品的协同过滤，物品相似度的归一化后准确率变高

#基于用户的协同过滤：推荐结果# ('c', 1.533734661597076)# ('d', 0.8304820237218405)#基于商品的协同过滤： 物品相似度未归一化,推荐结果# ('c', 0.9082482904638631)# ('d', 0.5773502691896258)#基于商品的协同过滤： 物品相似度的归一化,推荐结果# ('c', 1.1123724356957945)# ('d', 0.7071067811865476)