推荐算法的Python实现（样例代码）

时间：2022-12-07 17:33:03
基于ItemCF算法
  1. #!/usr/sbin/env python
  2. # -*- coding:utf-8 -*-

  4. import math

  6. # ItemCF算法
  7. def ItemSimilarity(train):
  8.     C = dict()
  9.     N = dict()
  10.     for u,items in train.items():
  11.         for i in items.keys():
  12.             N[i] += 1
  13.             for j in items.keys():
  14.                 if i == j:
  15.                     continue
  16.                 C[i][j] += 1
  17.     W = dict()
  18.     for i,related_items in C.items():
  19.         for j,cij in related_items.items():
  20.             W[i][j] = cij / math.sqrt( N[i] * N[j])
  21.     return W

  23. # ItemCF-IUF算法
  24. def ItemSimilarity_v2(train):
  25.     C = dict()
  26.     N = dict()
  27.     for u,items in train.items():
  28.         for i in items.keys():
  29.             N[i] += 1
  30.             for j in items.keys():
  31.                 if i == j:
  32.                     continue
  33.                 C[i][j] += 1 / math.log(1+len(items)*1.0)
  34.     W = dict()
  35.     for i,related_items in C.items():
  36.         for j,cij in related_items.items():
  37.             W[i][j] = cij / math.sqrt( N[i] * N[j])
  38.     return W

  40. def Recommend(train,user_id,W,K):
  41.     rank = dict()
  42.     ru = train[user_id]
  43.     for i,pi in ru.items():
  44.         for j,wj in sorted(W[i].items,key=itemgetter(1),reverse=True)[0:K]:
  45.             if j in ru:
  46.                 continue
  47.             rank[j] += pi*wj
  48.     return rank
复制代码 基于UserCF算法
  1. #!/usr/sbin/env python
  2. # -*- coding:utf-8 -*-
  3. import math
  4. '''
  5. 基于UserCF的推荐算法
  6. '''
  7. # UserCF算法
  8. def UserSimilarity(train):
  9.     item_users = dict()
  10.     for u,items in train.items():
  11.         for i in items.keys():
  12.             if i not in item_users:
  13.                 item_users[i] = set()
  14.             item_users[i].add(u)
  15.     C = dict()
  16.     N = dict()
  17.     for i,users in item_users.items():
  18.         for u in users:
  19.             N[u] += 1
  20.             for v in users:
  21.                 if u == v:
  22.                     continue
  23.                 C[u][v] += 1
  24.     W = dict()
  25.     for u,related_users in C.items():
  26.         for v,cuv in related_users.items():
  27.             W[u][v] = cuv / math.sqrt(N[u] * N[v])
  28.     return W

  30. # User-IIF算法
  31. def UserSimilarity_v2(train):
  32.     item_users = dict()
  33.     for u,items in train.items():
  34.         for i in items.keys():
  35.             if i not in item_users:
  36.                 item_users[i] = set()
  37.             item_users[i].add(u)
  38.     C = dict()
  39.     N = dict()
  40.     for i,users in item_users.items():
  41.         for u in users:
  42.             N[u] += 1
  43.             for v in users:
  44.                 if u == v:
  45.                     continue
  46.                 C[u][v] += 1 / math.log(1+len(users))
  47.     W = dict()
  48.     for u,related_users in C.items():
  49.         for v,cuv in related_users.items():
  50.             W[u][v] = cuv / math.sqrt(N[u] * N[v])
  51.     return W

  53. def Recommend(user,train,W):
  54.     rank = dict()
  55.     interacted_items = train[user]
  56.     for v,wuv in sorted(W[u].items,key=itemgetter(1),reverse=True)[0:K]:
  57.         for i,rvi in train[v].items:
  58.             if i in interacted_items:
  59.                 continue
  60.             rank[i] += wuv*rvi
  61.     return rank
复制代码 基于时间上下文的个性化推荐
  1. #!/usr/sbin/env python
  2. # -*- coding:utf-8 -*-

  4. import math


  7. def RecentPopularity(records,alpha,T):
  8.     ret = dict()
  9.     for user,item,tm in records:
  10.         if tm >= T:
  11.             continue
  12.         addToDict(ret,item,1/(1.0+alpha*(T-tm)))
  13.     return ret

  15. def addToDict(dicts,item,value):
  16.     pass

  18. def ItemSimilarity(train,alpha):
  19.     C = dict()
  20.     N = dict()
  21.     for u,items in train.items():
  22.         for i,tui in items.items():
  23.             N[i] += 1
  24.             for j,tuj in items.items():
  25.                 if i == j:
  26.                     continue
  27.                 C[i][j] += 1 / (1+alpha*abs(tui-tuj))
  28.     W = dict()
  29.     for i,related_items in C.items():
  30.         for j,cij in related_items.items():
  31.             W[i][j] = cij / math.sqrt(N[i] * N[j])
  32.     return W

  34. def RecommendItemCF(train,user_id,W,K,t0):
  35.     rank = dict()
  36.     ru = train[user_id]
  37.     for i,pi in ru.items():
  38.         for j,wj in sorted(W[i].items(),\
  39.                 key=itemgetter(1),reverse=True)[0:K]:
  40.             if j,tuj in ru.items():
  41.                 continue
  42.             rank[j] += pi * wj / (1 + alpha * (t0 - tuj))
  43.     return rank


  46. def UserSimilarity(train):
  47.     item_users = dict()
  48.     for u,items in train.items():
  49.         for i,tui in items.items():
  50.             if i not in item_users:
  51.                 item_users[i] = dict()
  52.             item_users[i][u] = tui

  54.     C = dict()
  55.     N = dict()
  56.     for i,users in item_users.items():
  57.         for u,tui in users.items():
  58.             N[u] += 1
  59.             for v,tvi in users.items():
  60.                 if u == v:
  61.                     continue
  62.                 C[u][v] += 1 / (1 + alpha * abs(tui - tvi))
  63.     W = dict()
  64.     for u,related_users in C.items():
  65.         for v,cuv in related_users.items():
  66.             W[u][v] = cuv / math.sqrt(N[u] * N[v])
  67.     return W

  69. def RecommendUserCF(user,T,train,W):
  70.     rank = dict()
  71.     interacted_items = train[user]
  72.     for v,wuv in sorted(W[u].items,key=itemgetter(1),\
  73.             reverse=True)[0:K]:
  74.         for i,tvi in train[v].items:
  75.             if i in interacted_items:
  76.                 continue
  77.             rank[i] += wuv / (1 + alpha * (T - tvi))
  78.     return rank
复制代码 基于LFM算法的个性化推荐
  1. #!/usr/bin/env python
  2. import random

  4. '''
  5. items => {'12':'PHP','1203':'Storm','123':'Ubuntu'}
  6. items_pool => [12,32,121,324,532,123,53,1203,429,2932]
  7. user_items => {'1010':[12,1203,123,429]}
  8. '''
  9. def RandomSelectNagativeSample(items):
  10.     ret = dict()
  11.     for i in items.keys():
  12.         ret[i] = 1
  13.     n = 0
  14.     for i in range(0,len(items)*3):
  15.         item = items_pool[random.randint(0,len(items_pool)-1)]
  16.         if item in ret:
  17.             continue
  18.         ret[item] = 0
  19.         n += 1
  20.         if n > len(items):
  21.             break
  22.     return ret


  25. def InitModel(user_items,F):
  26.     P = dict()
  27.     Q = dict()
  28.     for u in user_items.keys():
  29.         if u not in P:
  30.             P[u] = {}
  31.         for f in range(0,F):
  32.             P[u][f] = 1

  34.     items = user_items.values()
  35.     itemLen = len(items[0])
  36.     i = 0
  37.     while i< itemLen:
  38.         ii = items[0][i]
  39.         if ii not in Q:
  40.             Q[ii] = {}
  41.         for f in range(0,F):
  42.             Q[ii][f] = 1
  43.         i += 1
  44.     return [P,Q]


  47. def LatentFactorModel(user_items,F,N,alpha,lambda1):
  48.     [P,Q] = InitModel(user_items,F)
  49.     for setup in range(0,N):
  50.         for user,items in user_items.items():
  51.             samples = RandomSelectNagativeSample(items)
  52.             for item,rui in samples.items():
  53.                 eui = rui - Predict(user,item)
  54.                 for f in range(0,F):
  55.                     P[user][f] += alpha * (eui * Q[item][f] - lambda1 * P[user][f])
  56.                     Q[item][f] += alpha * (eui * P[user][f] - lambda1 * Q[item][f])
  57.         alpha *= 0.9
  58.     return [P,Q]


  61. def Recommend(user,P,Q):
  62.     rank = dict()
  63.     for f,puf in P[user].items():
  64.         for i,pfi in Q[f].items():
  65.             if i not in rank:
  66.                 rank[i] += puf * qfi
  67.     return rank



  71. def PersonalRank(G,alpha,root,maxsetup):
  72.     rank = dict()
  73.     #rank = {x:0 for x in G.keys()}
  74.     rank = rank.fromkeys(G.keys(),0)
  75.     rank[root] = 1
  76.     for k in range(maxsetup):
  77.         tmp = dict()
  78.         #tmp = {x:0 for x in G.keys()}
  79.         tmp = tmp.fromkeys(G.keys(),0)
  80.         for i,ri in G.items():
  81.             for j,wij in ri.items():
  82.                 if j not in tmp:
  83.                     tmp[j] = 0
  84.                 tmp[j] += alpha * rank[i]/(1.0*len(ri))
  85.                 if j == root:
  86.                     tmp[j] += 1 - alpha
  87.         rank = tmp

  89.         print 'iter:' + str(k) + "\t",
  90.         for key,value in rank.items():
  91.             print "%s:%.3f,\t" % (key,value),
  92.         print
  93.     return rank

  95. if __name__ == '__main__':
  96.     G = {'A':{'a':1,'c':1},
  97.      'B':{'a':1,'b':1,'c':1,'d':1},
  98.      'C':{'c':1,'d':1},
  99.      'a':{'A':1,'B':1},
  100.      'b':{'B':1},
  101.      'c':{'A':1,'B':1,'C':1},
  102.      'd':{'B':1,'C':1}}
  103.     PersonalRank(G,0.85,'A',20)

  105. '''

  107. #items_pool = {'12':'PHP','32':'Nginx','121':'Apache','324':'Erlang','532':'Linux','123':'Ubuntu','53':'Java','1203':'Storm','429':'Kafka','2932':'Flume'}
  108. items_pool = [12,32,121,324,532,123,53,1203,429,2932]
  109. items = {'12':'PHP','1203':'Storm','123':'Ubuntu'}
  110. user_items = {'1010':[12,1203,123,429]}


  113. #print RandomSelectNagativeSample(items)
  114. print InitModel(user_items,4)
  115. '''
复制代码 基于图的推荐算法
  1. #!/usr/sbin/env python
  2. # -*- coding:utf-8 -*-
  3. '''
  4.     基于图的推荐算法,二分图
  5. '''


  8. def PersonalRank(G,alpha,root,maxsetup):
  9.     rank = dict()
  10.     #rank = {x:0 for x in G.keys()}
  11.     rank = rank.fromkeys(G.keys(),0)
  12.     rank[root] = 1
  13.     for k in range(maxsetup):
  14.         tmp = dict()
  15.         #tmp = {x:0 for x in G.keys()}
  16.         tmp = tmp.fromkeys(G.keys(),0)
  17.         for i,ri in G.items():
  18.             for j,wij in ri.items():
  19.                 if j not in tmp:
  20.                     tmp[j] = 0
  21.                 tmp[j] += alpha * rank[i]/(1.0*len(ri))
  22.                 if j == root:
  23.                     tmp[j] += 1 - alpha
  24.         rank = tmp

  26.         print 'iter:' + str(k) + "\t",
  27.         for key,value in rank.items():
  28.             print "%s:%.3f,\t" % (key,value),
  29.         print
  30.     return rank

  32. if __name__ == '__main__':
  33.     G = {'A':{'a':1,'c':1},
  34.      'B':{'a':1,'b':1,'c':1,'d':1},
  35.      'C':{'c':1,'d':1},
  36.      'a':{'A':1,'B':1},
  37.      'b':{'B':1},
  38.      'c':{'A':1,'B':1,'C':1},
  39.      'd':{'B':1,'C':1}}
  40.     PersonalRank(G,0.85,'C',20)
复制代码 基于标签的推荐算法
  1. #!/usr/sbin/env python
  2. # -*- coding:utf-8 -*-

  4. import math

  6. #标签流行度算法
  7. def TagPopularity(records):
  8.     tagfreq = dict()
  9.     for user,item,tag in records:
  10.         if tag not in tagfreq:
  11.             tagfreq[tag] = 1
  12.         else:
  13.             tagfreq[tag] += 1
  14.     return tagfreq

  16. #物品相似度余弦算法
  17. def CosineSim(item_tags,i,j):
  18.     ret  = 0
  19.     for b,wib in item_tags[i].items():
  20.         if b in item_tags[j]:
  21.             ret += wib * item_tags[j][b]
  22.     ni = 0
  23.     nj = 0
  24.     for b,w in item_tags[i].items():
  25.         ni += w * w
  26.     for b,w in item_tags[j].items():
  27.         nj += w * w
  28.     if ret == 0:
  29.         return 0
  30.     return ret / math.sqrt(ni * nj)

  32. #推荐物品的多样性算法
  33. def Diversity(item_tags,recommend_items):
  34.     ret = 0
  35.     n = 0
  36.     for i in recommend_items.keys():
  37.         for j in recommend_items.keys():
  38.             if i == j:
  39.                 continue
  40.             ret += CosineSim(item_tags,i,j)
  41.             n += 1
  42.     return ret / (n * 1.0)


  45. def addValueToMat(dicts,index,k,v):
  46.     if index not in dicts:
  47.         dicts[index] = dict()
  48.         dicts[index][k] = v
  49.     else:
  50.         if k not in dicts[index]:
  51.             dicts[index][k] = v
  52.         else:
  53.             dicts[index][k] += v

  55. def InitStat(records):
  56.     user_tags = dict() #存储 user_tags[u][b] = n(u,b)
  57.     tag_items = dict() # tag_items[b][i] = n(b,i)
  58.     user_items = dict()
  59.     for user,item,tag in records.items():
  60.         addValueToMat(user_tags,user,tag,1)
  61.         addValueToMat(tag_items,tag,item,1)
  62.         addValueToMat(user_items,user,item,1)


  65. def Recommend(user):
  66.     recommend_items = dict()
  67.     tagged_items = user_items[user]
  68.     for tag,wut in user_tags[user].items():
  69.         # wut = wut*1.0/math.log(1+len(tag_users[tag])) #TagBasedTFIDF and TagBasedTFIDF++
  70.         for item,wti in tag_items[tag].items():
  71.             # wti = wti*1.0/math.log(1+len(user_items[user])) #TagBasedTFIDF++
  72.             if item in tagged_items:
  73.                 continue
  74.             if item not in recommend_items:
  75.                 recommend_items[item] = wut * wti
  76.             else:
  77.                 recommend_items[item] += wut * wti
  78.     return recommend_items


  81. if __name__ == "main":
  82.     user_tags = dict()
  83.     user_items = dict()
  84.     tag_items = dict()

  86.     records = dict()
  87.     user = '1220';

  89.     InitStat(records)
  90.     rec_items = Recommend(user)
复制代码
标签：

相关文章