Create item_based_recommend.py

Author: zhaozhiyong19890102

Chapter_14 CollaborativeFiltering/item_based_recommend.py

@@ -0,0 +1,69 @@
+# coding:UTF-8
+'''
+Date:20160928
+@author: zhaozhiyong
+'''
+
+import numpy as np
+from user_based_recommend import load_data, similarity
+
+def item_based_recommend(data, w, user):
+    '''基于商品相似度为用户user推荐商品
+    input:  data(mat):商品用户矩阵
+            w(mat):商品与商品之间的相似性
+            user(int):用户的编号
+    output: predict(list):推荐列表
+    '''
+    m, n = np.shape(data) # m:商品数量 n:用户数量
+    interaction = data[:,user].T # 用户user的互动商品信息
+    
+    # 1、找到用户user没有互动的商品
+    not_inter = []
+    for i in xrange(n):
+        if interaction[0, i] == 0: # 用户user未打分项
+            not_inter.append(i)
+            
+    # 2、对没有互动过的商品进行预测
+    predict = {}
+    for x in not_inter:
+        item = np.copy(interaction) # 获取用户user对商品的互动信息
+        for j in xrange(m): # 对每一个商品
+            if item[0, j] != 0: # 利用互动过的商品预测
+                if x not in predict:
+                    predict[x] = w[x, j] * item[0, j]
+                else:
+                    predict[x] = predict[x] + w[x, j] * item[0, j]
+    # 按照预测的大小从大到小排序
+    return sorted(predict.items(), key=lambda d:d[1], reverse=True)
+
+def top_k(predict, k):
+    '''为用户推荐前k个商品
+    input:  predict(list):排好序的商品列表
+            k(int):推荐的商品个数
+    output: top_recom(list):top_k个商品
+    '''
+    top_recom = []
+    len_result = len(predict)
+    if k >= len_result:
+        top_recom = predict
+    else:
+        for i in xrange(k):
+            top_recom.append(predict[i])
+    return top_recom
+
+if __name__ == "__main__":
+    # 1、导入用户商品数据
+    print "------------ 1. load data ------------"
+    data = load_data("data.txt")
+    # 将用户商品矩阵转置成商品用户矩阵
+    data = data.T
+    # 2、计算商品之间的相似性
+    print "------------ 2. calculate similarity between items -------------"    
+    w = similarity(data)
+    # 3、利用用户之间的相似性进行预测评分
+    print "------------ 3. predict ------------"    
+    predict = item_based_recommend(data, w, 0)
+    # 4、进行Top-K推荐
+    print "------------ 4. top_k recommendation ------------"
+    top_recom = top_k(predict, 2)
+    print top_recom