java实现itemcf_基于物品的协同过滤算法ItemCF算法实现

#-*- coding&＃61;utf-8 -*-

from operator importitemgetterfrom texttable importTexttablefrom collections importdefaultdictimportmath#读取文件

defreadFile(fileData):

data&＃61;[]

rates&＃61;[]

f&＃61;open(fileData,"r")

data&＃61;f.readlines()

f.close()for line indata:

dataLine&＃61;line.split("\t")

rates.append([int(dataLine[0]),int(dataLine[1]),int(dataLine[2])])returnrates#创建字典&＃xff0c;生成用户评分的数据结构#输入&＃xff1a;数据集合&＃xff0c;格式&＃xff1a;用户id\t硬盘id\t用户评分#输出:1.用户字典&＃xff1a;dic[用户id]&＃61;[(电影id,电影评分)...]#2.电影字典&＃xff1a;dic[电影id]&＃61;[用户id1,用户id2...]

defcreateDict(rates):

user_dict&＃61;{}

movie_dict&＃61;{}for i inrates:if i[0] inuser_dict:

user_dict[i[0]].append((i[1],i[2]))else:

user_dict[i[0]]&＃61;[(i[1],i[2])]if i[1] inmovie_dict:

movie_dict[i[1]].append(i[0])else:

movie_dict[i[1]]&＃61;[i[0]]returnuser_dict,movie_dict#建立物品倒排表,计算物品相似度

defitemCF(user_dict):

N&＃61;dict()

C&＃61;defaultdict(defaultdict)

W&＃61;defaultdict(defaultdict)for key inuser_dict:for i inuser_dict[key]:if i[0] not in N.keys(): #i[0]表示movie_id

N[i[0]]&＃61;0

N[i[0]]&＃43;&＃61;1 #N[i[0]]表示评论过某电影的用户数

for j inuser_dict[key]:if i&＃61;&＃61;j:continue

if j not inC[i[0]].keys():

C[i[0]][j[0]]&＃61;0

C[i[0]][j[0]]&＃43;&＃61;1 #C[i[0]][j[0]]表示电影两两之间的相似度&＃xff0c;eg&＃xff1a;同时评论过电影1和电影2的用户数

for i,related_item inC.items():for j,cij inrelated_item.items():

W[i][j]&＃61;cij/math.sqrt(N[i]*N[j])returnW#结合用户喜好对物品排序

defrecommondation(user_id,user_dict,K):

rank&＃61;defaultdict(int)

l&＃61;list()

W&＃61;itemCF(user_dict)for i,score in user_dict[user_id]: #i为特定用户的电影id&＃xff0c;score为其相应评分

for j,wj in sorted(W[i].items(),key&＃61;itemgetter(1),reverse&＃61;True)[0:K]: #sorted()的返回值为list,list的元素为元组

if j inuser_dict[user_id]:continuerank[j]&＃43;&＃61;score*wj #先找出用户评论过的电影集合&＃xff0c;对每一部电影id&＃xff0c;假设其中一部电影id1,找出与该电影最相似的K部电影&＃xff0c;计算出在id1下用户对每部电影的兴趣度&＃xff0c;接着迭代整个用户评论过的电影集合&＃xff0c;求加权和&＃xff0c;再排序&＃xff0c;可推荐出前n部电影&＃xff0c;我这里取10部。

l&＃61;sorted(rank.items(),key&＃61;itemgetter(1),reverse&＃61;True)[0:10]returnl#获取电影列表

defgetMovieList(item):

items&＃61;{}

f&＃61;open(item,"r",encoding &＃61; &＃39;ISO-8859-1&＃39;)

movie_content&＃61;f.readlines()

f.close()for movie inmovie_content:

movieLine&＃61;movie.split("|")

items[int(movieLine[0])]&＃61;movieLine[1:]#print(items)

returnitems#主程序

if __name__&＃61;&＃61;&＃39;__main__&＃39;:

itemTemp&＃61;getMovieList("D:/movieRecommend/ml-100k/u.item") #获取电影列表

fileTemp&＃61;readFile("D:/movieRecommend/ml-100k/u.data") #读取文件

user_dic,movie_dic&＃61;createDict(fileTemp) #创建字典

user_id&＃61;66movieTemp&＃61;recommondation(user_id,user_dic,80) #对电影排序

rows&＃61;[]

table&＃61;Texttable() #创建表格并显示

table.set_deco(Texttable.HEADER)

table.set_cols_dtype([&＃39;t&＃39;,&＃39;f&＃39;,&＃39;a&＃39;])

table.set_cols_align(["l","l","l"])

rows.append(["user name","recommondation_movie","from userid"])for i inmovieTemp:

rows.append([user_id,itemTemp[i[0]][0],""])

table.add_rows(rows)print("推荐结果如下&＃xff1a;")print(table.draw())