《推荐系统实践》 程序实现 —— 2.4.1 基于用户的协同过滤算法

import math
train = dict（）;

train = {‘A‘:{‘a‘:1‘b‘:1‘d‘:1}
		 ‘B‘:{‘a‘:1‘c‘:1}
		 ‘C‘:{‘b‘:1‘e‘:1}
		 ‘D‘:{‘c‘:1‘d‘:1‘e‘:1}
		}#此处物品a、b、c、d、e后面对应的值1，是用户对物品感兴趣的程度。比如‘A‘:{‘a‘:1}，是用户A对物品a感兴趣的程度。
		 #按理说感兴趣的程度应该是不同的数值，但此处，因为使用的是单一行为的隐反馈数据，所以所有的都定为1了。这里的感兴趣程度即书中p47页公式（用于计算用户u对物品i的感兴趣程度）中的rvi，可参考其介绍。

#1、build inverse table for item_users：通过用户-物品列表，建立物品-用户倒排表
item_users = dict（）#存储物品-用户倒排表
for uitems in train.items（）:
	print（u‘corresponds to‘items）
	for i in items.keys（）:#遍历每一个用户的物品列表。
		print（i）
		if i not in item_users:
			item_users[i] = set（）
		item_users[i].add（u）#物品列表中的物品i，有用户u访问过

print（‘输出item_users[]‘）
for uitems in item_users.items（）:
	print（u‘corresponds to‘items）
print（‘‘）
		
#2、calculate co-rated items between users ：计算两个用户共同访问过的物品数，建立用户相似度矩阵C，C[u][v]=x，即表示uv共同访问过的物品有x个。 
C = dict（）#C[][]是一个嵌套的二维字典，eg：C = {‘A‘:{‘C‘:1‘B‘:1‘D‘:1}}
N = dict（）#N[]统计用户有过行为的物品数，最终N[A]=3N[B]=2N[C]=2N[D]=3
for i  users in item_users.items（）:
	print（i ‘corresponds to ‘ users） #示例：（‘a‘ ‘corresponds to ‘ set（[‘A‘ ‘B‘]））
	
	for u in users:#u遍历一遍物品i的users列表
		print（u ‘u in users‘）
		if u not in N.keys（）:
			N[u] = 0
		N[u] += 1 #统计用户u有过行为的物品数
        
		for v in users:#v遍历一遍物品i的users列表
			print（v ‘v in uers‘）
			if u == v:
				continue
			
			#注意：二维“字典”新添一个key-value对时，需要判断key是否已经存在了
			if u not in C.keys（）: