SlopOne推薦演算法（附Python源碼）

微信公眾號

關鍵字

全網搜索最新排名

【機器學習演算法】：排名第一

【機器學習】：排名第二

【Python】：排名第三

【演算法】：排名第四

SlopOne是一個非常簡單的協同過濾演算法。他的基本思想非常簡單，如果用戶u已經對物品j打過分，現在對物品i進行打分，那麼只需要計算出同時對物品i和物品j打分的用戶中他們分數之差的平均，那麼我們就可以根據這個分數之差來計算用戶u對物品i的打分了，當然，這樣的物品j也有很多歌，有的物品和j共同大份的用戶比較少，有的比較多，那麼顯而易見的是共同打分多的那個物品在評分是所佔的比重應該大一些。舉個例子，如下圖所示

現在要預測Lucy對Item1的評分。首先可以知道用戶Lucy對Item2和Item3打過分，現在計算Item1和Item2的平均差值，即（（5-3）+（3-4））/2 = 0.5，在計算Item1和Item3的平均差值，即5-2 = 3，那麼根據Item1和Item2的平均差值來看Lucy對Item1的評分可能為2+0.5 = 2.5，同時根據Item1和Item3的平均差值Lucy對Item1的評分可能為5+3=8，最終用戶Lucy對Item1的評分為（2.5*2+8*1）/（2+1）=13/3=4.33。

使用movielens數據

鏈接：https://grouplens.org/datasets/movielens/

Python代碼如下

#coding:utf-8

import re

import math

#讀取數據，並生成矩陣

def getMatrix():

mat = {}

f = open("u.data", "r")

for line in f:

list = map(int, line.strip("
").split(" "))

if list[0] in mat:

mat[ list[0] ][ list[1] ] = list[2]

else:

mat[ list[0] ] = { list[1] : list[2] }

f.close()

return mat

#計算某個用戶的平均分

def getAvg(usr):

res = 0.0

for i in usr:

res += usr[i]

return res / len(usr)

#預測分數, 返回矩陣mat中用戶usr對item的評分

def getSlopOne(mat, user, item):

#用戶user的所有item的列表

list = mat[user]

#分子

mole = 0.0

#分母

demo = 0.0

#對於每一個物品，都計算它和物品item的差值，最終算出相對它item的score

for it in list:

diff_sum = 0.0

user_num = 0

for us in mat:

us_it = mat[us]

#如果該user同時評價過這兩個item，則採納他的評分

if item in us_it and it in us_it:

diff_sum += us_it[item] - us_it[it]

user_num += 1

#如果item被人評價過

if user_num:

diff_avg = diff_sum / user_num

mole += (list[it] + diff_avg) * user_num

demo += user_num

#如果沒有人評價過，則取這個人的平均分

if user_num == 0:

return getAvg(list)

#否則返回最終的score

return mole / demo

def main():

mat = getMatrix()

rf = open("u.data", "r")

wf = open("o.data", "w")

for line in rf:

list = map(int, line.strip("
").split(" "))

score = getSlopOne(mat, list[0], list[1])

output = str(list[0]) + " " + str(list[1]) + " " + str(list[2]) + " " + str(score) + "
"

wf.write(output)

rf.close()

wf.close()

if __name__ == "__main__":

main()

投稿、商業合作

請發郵件到：357062955@qq.com

更多精彩請閱讀原文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！