集体智慧编程:提供推荐_推荐物品

前面已经实现不同人之间相似度的计算,接下来就是根据相似度,向用户推荐物品。
找到相似度最高的用户B,将他的喜好推荐给用户A,这种方式太片面。
好的做法,是针对物品进行评分。首先计算用户A与用户B的相似度,把相似度作为B的评分权重,乘以B的所有评分。针对A以外的所有用户,都这么计算一次。然后,把每个物品所有的分值相加,得到总分。最后,对每个物品的总分值,除以有效相似度的总和。

"""
推荐物品
"""
#书中算法
def getRecommendations(prefs,person,similarity=sim_pearson):
    totals = {}
    simSums = {}
    for other in prefs:
        if other == person:
            continue
        sim = similarity(prefs,person,other)
        if sim <= 0:
            continue
        for item in prefs[other]:
            if item not in prefs[person] or prefs[person][item]==0:
                totals.setdefault(item,0)
                totals[item] = totals[item] + sim*prefs[other][item]
                simSums.setdefault(item,0)
                simSums[item] = simSums[item] + sim
    
    rankings = [(total/simSums[item],item) for item,total in totals.items()]  #totals.items()获取所有键值对
    rankings.sort()
    rankings.reverse()
    return rankings

#自己编写
def getRecommendations2(prefs,person,similarity=sim_pearson):
    
    totals = {}
    simSums = {}
    
    for other in prefs:
        if other == person:
            continue
        sim = similarity(prefs,person,other)
        if sim <=0:
            continue        
        
        for item in prefs[other]:
            if item not in prefs[person]:
                
                if item not in totals:
                    totals[item] = 0
                totals[item] = totals[item] + sim*prefs[other][item]
                
                if item not in simSums:
                    simSums[item] = 0
                simSums[item] = simSums[item] + sim
    
    ranking = [(totals[item]/simSums[item],item) for item in totals]
    ranking.sort()
    ranking.reverse()
    return ranking

几个小笔记:
1、if item not in prefs[person]
2、totals.setdefault(item,0)
totals是字典,setdefault(item,0),判断item是否在字典中,如果不在,设置默认值为0。等价于:

if item not in totals:
       totals[item] = 0

3、rankings = [(total/simSums[item],item) for item,total in totals.items()]
totals.items(),获取totals中所有的(key, value)对。
等价于:
ranking = [(totals[item]/simSums[item],item) for item in totals]

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 210,978评论 6 490
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 89,954评论 2 384
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 156,623评论 0 345
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,324评论 1 282
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,390评论 5 384
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,741评论 1 289
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,892评论 3 405
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,655评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,104评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,451评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,569评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,254评论 4 328
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,834评论 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,725评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,950评论 1 264
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,260评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,446评论 2 348

推荐阅读更多精彩内容