python Item_CF

#coding:utf-8
import math

"""
Item_CF基于物品的协同过滤算法，该算法给用户推荐那些和他们之前喜欢物品相似的物品。
比如：该算法会因为你购买过《JAVA编程思想》而给你推荐《JAVA核心技术》。物品A和物品B
具有很大的相似度是因为喜欢物品A的用户大都也喜欢物品B
"""

#定义基于物品的协同过滤算法类
class ItemBasedCF:
#初始化对象
def __init__(self,train_file,test_file):
#训练数据
self.train_file = train_file
#测试数据
self.test_file = test_file
#读取数据
self.readData()

#数据读取函数
def readData(self):
#读取文件，并生成用户-物品的评分表和测试集
#用户-物品的评分表
#训练集
self.train = dict()
#打开文件，按行读取训练数据
for line in open(self.train_file):
#获得用户、物品、评分数据，丢弃时间戳数据
user,item,score,_ = line.strip().split("\t")
#用户-物品评分矩阵
self.train.setdefault(user,{})
#分数赋值
self.train[user][item] = int(score)

#测试集
self.test = dict()
#打开文件，按行读取训练数据
for line in open(self.test_file):
#获得用户、物品、评分数据，丢弃时间戳数据
user,item,score,_ = line.strip().split("\t")
#用户-物品评分矩阵
self.test.setdefault(user,{})
#分数赋值
self.test[user][item] = int(score)

#物品间相似度
def ItemSimilarity(self):
#建立物品-物品的共现矩阵
C = dict()  #物品-物品的共现矩阵
N = dict()  #物品被多少个不同用户购买

#遍历训练数据，获得用户对有过行为的物品
for user,items in self.train.items():
#遍历该用户每件物品项
for i in items.keys():
#该物品被用户购买计数加1
N.setdefault(i,0)
N[i] += 1
#物品-物品的共现矩阵数据加1
C.setdefault(i,{})
#遍历该用户每件物品项
for j in items.keys():
#若该项为当前物品，跳过
if i == j : continue
#同一个用户下，其他物品项
#遍历到其他不同物品则加1
#初始化为0
C[i].setdefault(j,0)
#加1
C[i][j] += 1

#计算相似度矩阵
#计算物品-物品相似度，余弦相似度
self.W = dict()
#遍历物品-物品共现矩阵的所有项，
#每行物品、该行下的其他物品
for i,related_items in C.items():
#存放物品间相似度
self.W.setdefault(i,{})
#遍历其他每一个物品及对应的同现矩阵的值，即分子部分
for j,cij in related_items.items():
#余弦相似度
self.W[i][j] = cij / (math.sqrt(N[i] * N[j]))
#返回物品相似度
return self.W

#给用户user推荐，前K个相关用户喜欢的，
#用户user未产生过行为的物品
#默认3个用户，推荐10个物品
def Recommend(self,user,K=3,N=10):
#用户user对物品的偏好值
rank = dict()
#用户user产生过行为的物品项item和评分
action_item = self.train[user]

#找用户user产生过行为的物品item，
#与物品item按相似度从大到小进行排列
#取与物品item相似度最大的K个物品
for item,score in action_item.items():
#遍历与物品item最相似的前K个物品，获得这些物品及相似分数
for j,wj in sorted(self.W[item].items(),key=lambda x:x[1],reverse=True)[0:K]:
#若该物品当前物品，跳过
if j in action_item.keys():
continue
#计算用户user对物品i的偏好值
#初始化该值为0
rank.setdefault(j,0)
#通过与其相似物品对物品i的偏好值相乘并相加
rank[j] += score * wj
#按评分值大小，为用户user推荐结果的取前N个物品
return dict(sorted(rank.items(),key=lambda x:x[1],reverse=True)[0:N])

if __name__ == '__main__':
cf  =  ItemBasedCF('u.data','u.data')
cf.ItemSimilarity()
print cf.Recommend('3')