提供推荐
1. Collaborative Filtering
Collaborative Filtering: 通过喜好相近的人构造推荐列表。
如何表示喜好?用嵌套字典表示不同人对不同影片的评分。嵌套字典的数据结构就像一棵树,叶子节点(键值)表示最终的属性。(源代码下载地址)
>>>from recommendations import critics >>> critics['Toby'] {'Snakes on a Plane': 4.5, 'Superman Returns': 4.0, 'You, Me and Dupree': 1.0} >>> critics['Toby']['Superman Returns'] 4.0
2. Finding Similar Users
Euclidean Distance Score
评价公式:
该值越大,喜好越相似,没有共同评价过的电影,则返回 0.
Pearson Correlation Score
数据不是很规范,比如有人习惯给高分,有人习惯给低分,用皮尔逊相关度评价效果更好。
Pearson Correlation 实际上就是两个向量的余弦值,等于两个向量中心化后(减去均值)的内积除以长度的乘积:
同样,数值越大,两个向量角度越小,喜好越相似。此外,相似度度量方法还有 Jaccard 系数或者曼哈顿距离等,更多关于相似度度量信息可以参考这篇博客.
Ranking the Critics
根据不同的相似度度量方法返回从高到低排好序的的相似者.
>>> from recommendations import * >>> topMatches(critics, 'Toby', similarity=sim_pearson, n=3) [(0.9912407071619299, 'Lisa Rose'), (0.9244734516419049, 'Mick LaSalle'), (0.8934051474415647, 'Claudia Puig')]
3. Recommending Items
现在我们只得到喜好相同的人,怎么才能得到推荐的物品?我们可以查找与自己品味相投的人,并从他们喜好的影片中找到自己没有看过的电影,但是这样不够全面。可以利用下面公式给自己没有看过的电影进行评分预测:
掰掰~