资源描述：
《python简单推荐系统(含完整代码).pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、似乎咱的产品七，八年前就想做个推荐系统的，就是类似根据用户的喜好，自动的找到用户喜欢的电影或者节目，给用户做推荐。可是这么多年过去了，不知道是领导忘记了还是怎么了，连个影子还没见到。而市场上各种产品的都有了推荐系统了。比如常见的各种购物网站京东，亚马逊，淘宝之类的商品推荐，视频网站优酷的的类似影片推荐，豆瓣音乐的音乐推荐……一个好的推荐系统推荐的精度必然很高，能够真的发现用户的潜在需求或喜好，提高购物网詀的销量，让视频网站发现用户喜欢的收费电影…可是要实现一个高精度的推荐系统不是那么容易的，netflix曾经悬赏高额奖金寻找能给其推荐系统的精确度提高10%的人，可见各个公司对推荐系统的重视和一
2、个好的推荐系统确实能带来经济效益。下面咱以电影电视的推荐系统为例，一步一步的来实现一个简单的推荐系统吧,由于比较简单，整个推荐系统源码不到100行，大概70-80行吧，应该很容易掌握。为了快速开发原型，咱采用Python代码来演示1.推荐系统的第一步，需要想办法收集信息不同的业务，不同的推荐系统需要收集的信息不一样针对咱要做的电影推荐，自然是每个用户对自己看过的电影的评价了，如下图所示:KaiZhou对Friends打分是4分，对BedtimeStories打分是3分，没有对RoboCop打分ShuaiGe没有对Friends打分，对BedtimeStories打分是3.5分……为简单，咱将此
3、数据存成csv文件，形成一个二维的矩阵，假设存在D:train.csv，数据如下：Name,Friends,BedtimeStories,DawnofthePlanetoftheApes,RoboCop,Fargo,CougarTownKaiZhou,4,3,5,,1,2ShuaiGe,,3.5,3,4,2.5,4.5MeiNv,3,4,2,3,2,3xiaoxianrou,2.5,3.5,3,3.5,2.5,3fengzhi,3,4,,5,3.5,3meinv,,4.5,,4,1,mincat,3,3.5,1.5,5,3.5,3alex,2.5,3,,3.5,,4先从csv文件中加载二维矩
4、阵，代码如下：defload_matrix():matrix={}f=open("d:\train.csv")columns=f.readline().split(',')forlineinf:scores=line.split(',')foriinrange(len(scores))[1:]:matrix[(scores[0],columns[i])]=scores[i].strip("")returnmatrixmatrix=load_matrix()print"matrix:",matrixload_matrix()解析csv文件，返回一个dictionary,该dictionar
5、y以（行名，列名）为索引数据有了，下面咱就正式开始干活了，推荐系统要干些什么呢？咱以电影推荐来说，推荐系统需要解决的几个主要问题：1）判断两个电影，两个观影人之间的相似度2）找到和某影片最相似的影片，或找到和某观影人有同样兴趣的人3）找到某观影人可能喜欢的电影，或找到对某影片感兴趣的人2.推荐系统的基础，判断相似度针对咱的电影推荐来说，就是判断两个电影，两个观影人之间的相似度。2.1欧几里德距离计算相似度最简单的，最容易理解的就是欧几里德距离.那么，什么是欧几里德距离，怎么用呢？请对比评价数据，看下图：咱用两个电影Fargo和CougrTown来取例图中X轴代表电影Fargo,Y轴代表电影Co
6、ugrTown,KaiZhou给电影Fargo打1分，CougrTown打2分，画到图上同理，咱可以将ShuaiGe和MeiNv的数据点都画到图上很明显，咱可以看出KaiZhou与MeiNv离得近，与ShuaiGe离得远，所以说KaiZhou与MeiNv的兴趣更相近.用数学式子表达出来就是：KaiZhou与MeiNv的距离的平方：(2–1)^2+(3–2)^2=2KaiZhou与ShuaiGe的距离的平方：(2.5–1)^2+(4.5–2)^2=8.52<8.5，所以KaiZhou与MeiNv比ShuaiGe兴趣更近.这就是利用欧几里得距离来判断相似度两个用户对所有电影的评价相似度的和，就是两
7、用户的相似度2.2归一化处理为了方便比较处理后的数据，一般还需要对计算出来的结果进行归一化处理。数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。上面的介绍太学术化了吧，
