为了实现推荐系统，不得不从原来的基础打牢，今天主要复现之前的代码-2019-08-09
今天主要学习经典的案例： 主要fork 来源于：推荐系统实例
主要介绍 3大模型：
我主要把这部分代码做成了Notebook 代码格式，一是为了学习，而是为了萌新能看懂，主要是做成我们好看到的。
- 1.第一部分代码主要是将dat 转化为csv，我放入了preprocess.ipynb
- 2.第二部分代码主要做一个基于用户协同过滤的代码,放入UserCF1.ipynb
UserCF 的原理：
原理核心：当一个用户A需要个性化推荐时，可以先找到他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没听过的物品推荐给A。 a) 找到和目标用户兴趣相似的用户集合
b) 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。
1）这里主要做了一个Jaccard 系数:用于比较有限样本集之间的相似性与差异性。
UserCF1.ipynb主要是做a第一部分的事情，就是找找到和目标用户兴趣相似的用户集合。
给定两个集合A,B，Jaccard 系数定义为A与B交集的大小与A与B并集的大小的比值，定义如下：
当集合A，B都为空时，J(A,B)定义为1。
2）余弦相似度：又称为余弦相似性。通过计算两个向量的夹角余弦值来评估他们的相似度，即w=|A∩B|/√|A|*|B|
- 3.第三部分代码主要做一个基于用户协同过滤的代码2,放入UserCF2.ipynb。 核心就是得到用户之间的兴趣相似度后，UserCF算法会给用户推荐和他兴趣最相似的K个用户喜欢的物品。
公式度量了UserCF算法中用户u对物品i的感兴趣程度：其中，S(u, K)包含和用户u兴趣最接近的K个用户，N(i)是对物品i有过行为的用户集合，Wuv是用户u和用户v的兴趣相似度，Rvi代表用户v对物品i的兴趣，因为使用的是单一行为的隐反馈数据，所以所有的Rvi=1。
在UserCF2中我们已经介绍过了如何计算与目标用户最相似的K个用户，接下来就是第二步，推荐商品了。
在UserCF2.ipynb代码中主要核心是：
def calcuteInterest(frame,similarSeries,targetItemID):
计算目标用户对目标物品的感兴趣程度
:param frame: 数据
:param similarSeries: 目标用户最相似的K个用户
:param targetItemID: 目标物品
:return:感兴趣程度
similarUserID = similarSeries.index #和用户兴趣最相似的K个用户
similarUsers = [frame[frame['UserID'] == i] for i in similarUserID] #K个用户数据
similarUserValues = similarSeries.values #用户和其他用户的兴趣相似度
UserInstItem = []
for u in similarUsers: #其他用户对物品的感兴趣程度
if targetItemID in u['MovieID'].values: UserInstItem.append(u[u['MovieID']==targetItemID]['Rating'].values[0])
else: UserInstItem.append(0)
interest = sum([similarUserValues[v]*UserInstItem[v]/5 for v in range(len(similarUserValues))])
return interest
研究代码:我们看到这个肯定会有所困惑，其实认真研究你会发现其实原理还是挺简单的： 在UserCF1中，我们计算了userid==1 这个人和其他用户id 的相似度。 那么在UserCF2中，我们需要将其他用户id 的数据拿出来，该目标影片（即targetItemID）取出该用户的Rating，即评价，如果不存在，则为0 insterest即为用户相似度乘以该用户的对该目标电影的评分的总和