集体智慧编程 第二章 提供推荐

我们要知道在购物网站中，如何构建一个系统，用以寻找具有相同品味的人，并根据他人的喜好自动给出推荐。

一个协作型过滤算法通常的做法是对一大群人进行搜索，并从中找到与我们品味相近的一小群人。算法会对这些人所偏爱的其他内容进行考察，并将它们组合起来构造出一个经过排名的推荐列表。

搜集偏好

第一件事是寻找一种表达不同人和偏好的方法，这里用Python的嵌套字典来达到目的。

新建一个名为 recommendations.py 的文件，加入如下代码构造一个数据集：

# -*- coding:utf-8 -*-
# 集体智慧编程 第二章
# recommendations.py
#下列字典使用 1 到 5 的评分，体现包括本人在内的每位影评者对某一给定影片的喜爱程度

critics = {'Lisa Rose':{'Lady in the Water':2.5, 'Snake on a Plane':3.5,
'Just My Luck':3.0, 'Superman Returns':3.5, 'You, Me and Dupree':2.5,
'The Night Listener':3.0},

'Gene Seymour':{'Lady in the Water':3.0, 'Snake on a Plane':3.5,
'Just My Luck':1.5, 'Superman Returns':5.0, 'The Night Listener':3.0,
'You, Me and Dupree':3.5,},

'Michael Phillips':{'Lady in the Water':2.5, 'Snake on a Plane':3.0,
'Superman Returns':3.5, 'The Night Listener':4.0},

'Claudia Puig':{'Snake on a Plane':3.5,'Just My Luck':3.0,
'The Night Listener':4.5, 'Superman Returns':4.0,
'You, Me and Dupree':2.5},

'Mick LaSalle':{'Lady in the Water':3.0, 'Snake on a Plane':4.0,
'Just My Luck':2.0, 'Superman Returns':3.0, 'The Night Listener':3.0,
'You, Me and Dupree':2.0},

'Jack Matthews':{'Lady in the Water':3.0, 'Snake on a Plane':4.0,
'The Night Listener':3.0, 'Superman Returns':5.0, 'You, Me and Dupree':3.5},

'Toby':{'Snake on a Plane':4.5, 'You, Me and Dupree':1.0, 'Superman Returns':4.0}}

同样的，如果我们正在架设一个购物网站，不妨用数字 1 来代表有人过去曾购买过某件商品，用数字 0 来代表未曾购买过任何商品。而对于一个新闻网站可以用 -1 、 0 、1 来代表不喜欢、没有投票、喜欢。

写一个 run1.py 来运行程序：

# run recommendations.py

from recommendations import critics
print critics['Lisa Rose']['Lady in the Water']
critics['Toby']['Snakes on a Plane'] = 4.5
print critics['Toby']

结果：



另外：

critics['Toby']['Snakes on a Plane'] = 4.5

这句话似乎没什么意义，因为本来字典里面也是 4.5 的评分。

====================================================================================

寻找相近的用户

搜集完偏好数据以后，我们需要有一种方法确定人们在品味方面的相似度。为此，我们可以将每个人与所有其他人进行对比，并计算他们的相似度评价值。这里有两种体系：欧几里得距离和皮尔逊相关度。

欧几里得距离评价：它以经过人们一致评价的物品为坐标轴，然后将参与评价的人绘制到地图上，并考查他们彼此间的距离远近。



就这样简单，两个人的“距离”越近，偏好就越相似。

比如 Toby 和 LaSalle

from math import sqrt
1/(1+sqrt(pow(4.5-4,2) + pow(1-2,2)))

这个新函数总是返回介于 0 到 1 之间的数值，返回 1 表示两人有一样的偏好。

在 recommendations.py 里面加入代码：

from math import sqrt

# 返回一个有关 person1 和 person2 的基于距离的相似度评价
def sim_distance(prefs, person1, person2):
#得到 shared_items 的列表
si={}
for item in prefs[person1]:
if item in prefs[person2]:
si[item] = 1

# 如果没有共同之处，返回 0
if len(si) == 0:return 0

# 计算所有差值的平方和
sum_of_squares = sum([pow(prefs[person1][item]-prefs[person2][item],2)\
for item in prefs[person1] if item in prefs[person2]])

return 1/(1 + sqrt(sum_of_squares))

改变 run1 文件：

# run recommendations.py
import recommendations
from recommendations import critics
print critics['Lisa Rose']['Lady in the Water']
critics['Toby']['Snakes on a Plane'] = 4.5
print critics['Toby']

print '=========================================='

import recommendations
print recommendations.sim_distance(recommendations.critics,'Lisa Rose','Gene Seymour')

结果：



这个 0.294298055086 就是两者的相似度评价。

皮尔逊相关度评价：该相关系数是判断两组数据与某一直线拟合程度的一种度量。



Mick给《Superman》打了3分，Gene打了5分，所以我们把这个影片定位在(3,5)处。这样定位完毕以后，作一条线性回归线就行了。这条线称为“最佳拟合线”。

皮尔逊相关度评价算法首先会找出两位评论者都曾评价过的物品，然后计算两者评分总和与平方和，并求得评分的乘积之和。

在之前的代码里面添加：

# 返回 p1 和 p2 的皮尔逊相关系数
def sim_pearson(prefs, p1, p2):
# 得到双方都曾评价过的物品列表
si = {}
for item in prefs[p1]:
if item in prefs[p2]:si[item] = 1

# 得到 si 列表元素的个数
n = len(si)

# 如果两者没有共同之处，返回 1
if n == 0:return 1

# 对所有偏好求和
sum1 = sum([prefs[p1][it] for it in si])
sum2 = sum([prefs[p2][it] for it in si])

# 求平方和
sum1Sq = sum([pow(prefs[p1][it], 2) for it in si])
sum2Sq = sum([pow(prefs[p2][it], 2) for it in si])

# 求乘积和
pSum = sum([prefs[p1][it] * prefs[p2][it] for it in si])

# 计算皮尔逊评价值
num = pSum - (sum1 * sum2 /n)
den = sqrt((sum1Sq - pow(sum1, 2) / n) * (sum2Sq - pow(sum2, 2) / n))
if den == 0:return 0

r = num/den

return r

运行函数里面写上：

print '=========================================='
print 'sim_pearson'

print recommendations.sim_pearson(recommendations.critics,'Lisa Rose','Gene Seymour')

结果：



==========================================================================

现在的问题是：应该用哪一种相似性度量方法？

其实这是个统计学问题，以后还会遇到Jaccard系数或者曼哈顿距离算法。只能说具体情况具体分析

=========================================================================================

为评论者打分

我们有了两个人进行比较的函数，下面就可以根据指定人员对每个人打分，找出最接近的匹配结果。

添加代码：

# 从反映偏好的字典中返回最为匹配者
# 返回结果的个数和相似度函数均为可选参数
def topMatches(prefs, person, n = 5, similarity = sim_pearson):
scores = [(similarity(prefs, person, other), other)for other in prefs if other != person]
   # 参见列表推导式
# 对列表排序，评价值最高的排在前面
scores.sort() # 排序
scores.reverse() # 反向列表中元素
return scores[0:n]

给出全部运行程序：

# run recommendations.py
import recommendations
from recommendations import critics
print critics['Lisa Rose']['Lady in the Water']
critics['Toby']['Snakes on a Plane'] = 4.5
print critics['Toby']

print '\n=========================================='
print 'sim_distance'
print recommendations.sim_distance(recommendations.critics,'Lisa Rose','Gene Seymour')

print '\n=========================================='
print 'sim_pearson'
print recommendations.sim_pearson(recommendations.critics,'Lisa Rose','Gene Seymour')

print '\n=========================================='
print 'topMatches'
print recommendations.topMatches(recommendations.critics,'Toby', n = 3)

结果：



===========================================================

推荐物品

我们想要的其实是影片的推荐。



表中列出了每位评论者的相关度评价值，以及他们对三部影片的评分情况。以S.x开头的列是乘以评价值之后的相似度。如此一来，与我们相近的人对整体评价值有更多的贡献。

同时还要考虑到，一部受更多人评论的影片会对结果有更大影响，也要修正这个问题。

在代码里面加入：

# 利用所有他人评价值的加权平均，为某人提供建议
def getRecommendations(prefs,person,similarity = sim_pearson):
totals = {}
simSums = {}
for other in prefs:
# 不要和自己作比较
if other ==person: continue
sim = similarity(prefs, person, other)
#忽略评价值为零或小于零的情况
if sim <= 0: continue
for item in prefs[other]:
#只对自己还没看过的影片评价
if item not in prefs[person] or prefs[person][item] == 0:
# 相似度 * 评价值
totals.setdefault(item, 0)
# setdefault() 函数: 如果键不已经存在于字典中，将会添加键并将值设为默认值。
# dict.setdefault(key, default=None)
# key -- 查找的键值。
# default -- 键不存在时，设置的默认键值。
totals[item] += prefs[other][item] * sim
# 相似度之和
simSums.setdefault(item, 0)
simSums[item] += sim

# 建立一个归一化的列表
rankings = [(total / simSums[item], item) for item, total in totals.items()] # 列表推导式
# 返回经过排序的列表
rankings.sort()
rankings.reverse()
return rankings

需要说明的是，这里要注意列表推导式这个东西，百度一下格式和用法。

然后运行里面添加：

print '\n=========================================='
print 'getRecommendations.sim_pearson'
print recommendations.getRecommendations(recommendations.critics, 'Toby')

print '\n=========================================='
print 'getRecommendations.sim_distance'
print recommendations.getRecommendations(recommendations.critics, 'Toby',\
similarity = recommendations.sim_pearson)

结果：



这里不仅得到了一个经过排名的影片列表，还推测除了自己对每部影片的评价情况。

电影推荐到此为止，下一章是商品推荐。