数据挖掘+相似性分析和用户偏好推荐系统

数据挖掘课程课件+学生实验设计+基于相似性分析和用户偏好的商品推荐系统论文

from math import sqrt

#用户影评数据#
critics={‘Lisa Rose‘: {‘Lady in the Water‘: 2.5 ‘Snakes on a Plane‘: 3.5
 ‘Just My Luck‘: 3.0 ‘Superman Returns‘: 3.5 ‘You Me and Dupree‘: 2.5 
 ‘The Night Listener‘: 3.0}
‘Gene Seymour‘: {‘Lady in the Water‘: 3.0 ‘Snakes on a Plane‘: 3.5 
 ‘Just My Luck‘: 1.5 ‘Superman Returns‘: 5.0 ‘The Night Listener‘: 3.0 
 ‘You Me and Dupree‘: 3.5} 
‘Michael Phillips‘: {‘Lady in the Water‘: 2.5 ‘Snakes on a Plane‘: 3.0
 ‘Superman Returns‘: 3.5 ‘The Night Listener‘: 4.0}
‘Claudia Puig‘: {‘Snakes on a Plane‘: 3.5 ‘Just My Luck‘: 3.0
 ‘The Night Listener‘: 4.5 ‘Superman Returns‘: 4.0 
 ‘You Me and Dupree‘: 2.5}
‘Mick LaSalle‘: {‘Lady in the Water‘: 3.0 ‘Snakes on a Plane‘: 4.0 
 ‘Just My Luck‘: 2.0 ‘Superman Returns‘: 3.0 ‘The Night Listener‘: 3.0
 ‘You Me and Dupree‘: 2.0} 
‘Jack Matthews‘: {‘Lady in the Water‘: 3.0 ‘Snakes on a Plane‘: 4.0
 ‘The Night Listener‘: 3.0 ‘Superman Returns‘: 5.0 ‘You Me and Dupree‘: 3.5}
‘Toby‘: {‘Snakes on a Plane‘:4.5‘You Me and Dupree‘:1.0‘Superman Returns‘:4.0}}

# 返回p1和p2的皮尔逊相关系数
def sim_pearson（prefsp1p2）:
  # 得到双方都曾评价过的物品列表
    si ={}
    for item in prefs[p1]: 
        if item in prefs[p2]: si[item]=1

    # 得到列表元素的个数
    n=len（si）

    # 如果两者没有共同之处，则返回0
    if n==0: return 1

    # 对所有偏好求和
    sum1=sum（[prefs[p1][it] for it in si]）
    sum2=sum（[prefs[p2][it] for it in si]）

    # 对所有偏好求平方和
    sum1Sq=sum（[pow（prefs[p1][it]2） for it in si]）
    sum2Sq=sum（[pow（prefs[p2][it]2） for it in si]）	

    # 求乘积之和
    pSum=sum（[prefs[p1][it]*prefs[p2][it] for it in si]）

    # 计算皮尔逊评价值
    num=pSum-（sum1*sum2/n）
    den=sqrt（（sum1Sq-pow（sum12）/n）*（sum2Sq-pow（sum22）/n））
    if den==0: return 0

    r = num / den
    return r

# 测试sim_pearson函数
#sim_pearson（critics ‘Lisa Rose‘ ‘Gene Seymour‘）

# 从数据字典中返回最佳的匹配者
# 返回结果的个数和相似度函数都是可选参数
def topMatches（prefspersonn=5similarity=sim_pearson）:
    scores=[（similarity（prefspersonother）other） 
            for other in prefs if other!=person]
  
    # 对打分情况进行排序
    scores.sort（）
    scores.reverse（）
    return scores[0:n]

# 测试topMatches函数
# topMatches（critics ‘Toby‘ n=3）

# 利用所有他人评价值的加权平均，为某人提供建议
def getRecommendations（prefspersonsimilarity=sim_pearson）:
    totals={}
    simSums={}
    for other in prefs:
    # 不和自己比较
        if other==person: continue
        sim=similarity（prefspersonother）

        # 忽略评价值为0或小于0的情况
        if sim<=0: continue
        for item in prefs[other]:

            # 仅为自己还没有看过的影片进行评价
            if item not in prefs[person] or prefs[person][item]==0:
                # 相似度*评价值
                totals.setdefault（item0）
                totals[item]+=prefs[other][item]*sim

                # 相似度之和 
                simSums.setdefault（item0）
                simSums[item]+=sim

    # 建立一个归一化的列表
    rankings=[（total/simSums[item]item） for itemtotal in totals.items（）]

    # 返回经过排序的列表
   

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       6524  2018-07-10 16:11  数据挖掘\.ipynb_checkpoints\Untitled-checkpoint.ipynb

     文件       3351  2018-07-10 16:13  数据挖掘\基于相似性分析和用户偏好的商品推荐系统\code.py

     文件      60627  2019-03-07 08:28  数据挖掘\基于相似性分析和用户偏好的商品推荐系统\基于相似性分析和用户偏好的商品推荐系统 （2）.docx

     文件      59787  2019-03-07 08:28  数据挖掘\基于相似性分析和用户偏好的商品推荐系统\基于相似性分析和用户偏好的商品推荐系统.docx

     文件    1645568  2018-06-26 20:00  数据挖掘\数据挖掘实验设计.doc

     目录          0  2018-12-20 09:56  数据挖掘\.ipynb_checkpoints

     目录          0  2019-03-07 08:29  数据挖掘\基于相似性分析和用户偏好的商品推荐系统

     目录          0  2019-03-07 08:30  数据挖掘

----------- ---------  ---------- -----  ----

              1775857                    8