本文共 3252 字，大约阅读时间需要 10 分钟。

• 参考《推荐系统实践》项亮
• 概念： 协同过滤算法
  在一个在线个性化推荐系统中,当一个用户 A 需要个性化推荐
  时,可以先找到和他有相似兴趣的其他用户,然后把那些用户喜欢的、而用户 A 没有听说过的物品推荐给 A

概念：协同过滤算法

基于用户的协同过滤算法主要包括两个步骤。

1. 如何计算两个用户的兴趣相似度？

   协同过滤算法（UserCF）， 具体计算如下：
   给定用户 u 和用户 v ,令 N(u) 表示用户 u 曾经有过正反馈的物品集合,令 N(v)
   为用户 v 曾经有过正反馈的物品集合。那么,我们可以通过如下几种的相似度计算公式简单地计算 u 和 v 的兴趣相似度:
   

2. 如何计算： 用户对某商品的感兴趣程度？

   得到用户之间的兴趣相似度后, UserCF 算法会给用户推荐和他兴趣最相似的 K 个用户喜欢的物品。
   如下的公式度量了 用户 u 对物品 i 的感兴趣程度:
   

如何使用python编码实现？

假设有用户-商品数据如下：

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

1. 第一步：求出两个用户之间的相似度

使用<用户相似度算法>：如 jaccard相似度算法

2. 第二步：选择最相似的用户群

3. 第三步：过滤&生成商品推荐列表

# -*-coding:utf-8-*-##################第一步：求出两个用户之间的相似度#############john breese相似度算法import mathdef userLikenessJohnbreese(u,userItemsDict,v,itemUsersDict):    # 相似度    sum = 0.0    setA = set(userItemsDict[u])    setB = set(userItemsDict[v])    common = setA.intersection(setB)    # 循环交集    for i in common:        # 商品的交互用户数==商品i的流行度        iusers = itemUsersDict[i].__len__()        sum = sum + (1.0 / math.log10(iusers + 1))    return sum / math.sqrt(setA.__len__() * setB.__len__())##################第二步：选择最相似的用户群 ############def getMostLikeUserGroupK(userItemsDict,itemUsersDict):    # 字典    M = {}    for u,itemsU in userItemsDict.items():        for v,itemsV in userItemsDict.items():            if u < v:                if u not in M.keys():                    M[u] = {}                if v not in M.keys():                    M[v] = {}                # 计算相似度                ratio = userLikenessJohnbreese(u,userItemsDict,v,itemUsersDict)                M[u][v] = ratio                M[v][u] = ratio    # 对M中每个用的相似度字典按照相似度倒排序    M2 = {}    for k,v in M.items():        M2[k] = sorted(v.items(), key=lambda e: e[1], reverse=True)    return M2#################第三步：过滤&生成商品推荐列表#############def recommUserCF(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("\t").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, 得到最相似的K个用户    kUsers = getMostLikeUserGroupK(userItemsDict,itemUsersDict)[u][:K]    for v, simV in kUsers:        vitems = userItemsDict[v]        for vi in vitems:            if vi not in userItemsDict[u]:                if vi not in recommDict.keys():                    recommDict[vi] = 0.0                recommDict[vi] = recommDict[vi] + simV                #2, 过滤商品,生成推荐列表： { 商品1:sum相似度值 , 商品2:sum相似度值  }    return sorted(recommDict.items() , key = lambda e : e[1] ,reverse=True)##################测试结果#################if __name__ =="__main__":    recommList=recommUserCF(2,3)    for i in recommList:        print i#('c', 1.533734661597076)#('d', 0.8304820237218405)