本文的理论基础是上篇我看的《个性化推荐系统的研究进展》（周涛等，2009），这是一篇计较老的综述了，所以里面的方法也比较老：），但是练手不错，最起码实现没那么头疼，主要是电脑能相对的运算xD。原理在我的另一个思维导图里已经有了，在此不再赘述，直接上代码：（本代码力求实现，所以还没有优化，目前采用串行计算，有时间的话会优化）：
0，提示：虽然没有用并行算法，但是可以考虑用jit加速。而且很重要的一点是，关联矩阵非常稀疏，要考虑度为零，相似性为零等情况，不然老会得不到结果。
本实例中用的是6040x3952(用户，电影)的数据包。
1，用户与产品的关联矩阵、度、评分矩阵的写入：
def GetData(): user_vec = np.zeros((6040,3952)) user_rating = np.zeros((6040,3952)) degree_user = np.zeros((1,6040)) degree_mov = np.zeros((1,3952)) rating = np.loadtxt("rating.txt",dtype = np.str,delimiter= "::") #print(rating[:2,:3]) data = np.array(rating[0:,:3],dtype=np.int) #写入用户向量和用户、电影的度 for i in range(0,1000209): if data[i][2] > 3: user_vec[int(data[i][0])-1][int(data[i][1])-1] = 1 degree_user[0][data[i][0] - 1] = int(degree_user[0][data[i][0] - 1] +1) degree_mov[0][data[i][1] - 1] = int(degree_mov[0][data[i][1] - 1] + 1) if data[i][2]: user_rating[int(data[i][0]) - 1][int(data[i][1]) - 1] = int(data[i][2]) return user_vec,user_rating,degree_user,degree_mov
2，相似度计算：
def SimCom(user_vec): #相似度矩阵 user_sim = np.zeros((6040, 6040)) for i in range(0,6040): for j in range(i+1,6039): user_sim[i][j] = float(np.dot(user_vec[i], user_vec[j]) / (np.linalg.norm(user_vec[i]) * np.linalg.norm(user_vec[i]))) user_sim[i][j] = round(user_sim[i][j],3) user_sim[i][i] = 1 if i %10 ==0 : print(i) for i in range(1,6040): for j in range(0,i): user_sim[i][j] =user_sim[j][i] return user_sim
3，新的评分矩阵生成：
#新的评分矩阵 ''' 在此不考虑新打分矩阵出现后需要迭代运算 ''' @jit def RecS_rating(user_sim,user_rating,user_vec): user_NewRating = np.zeros((6040,3952)) for i in range(0,6040): all_sim = np.sum(user_sim[i]) degree = np.sum(user_vec[i]) if degree != 0: rating_avg= np.sum(user_rating[i]) / degree else: rating_avg= 0 for j in range(0,3952): for k in range(0,6040): user_NewRating[i][j] = user_NewRating[i][j] + user_sim[i][j] * (user_rating[k][j]-user_rating[i][j]) if all_sim != 0: user_NewRating[i][j] =int(user_NewRating[i][j]/all_sim+ rating_avg) else: user_NewRating [i][j] = 5 if user_NewRating[i][j] > 5: user_NewRating[i][j] = 5 if user_NewRating[i][j] <0: user_NewRating[i][j] = 0 # 显示计算到哪 if i % 100 == 0: print(i) return user_NewRating
4，资源分配矩阵生成：
#资源配额矩阵 def Wight_mov(degree_user,degree_mov,user_vec): w_mov = np.zeros((3952, 3952)) for i in range(0,3952): for j in range(0,3952): w_mov[i][j] = 0 for k in range(0,6040): if degree_user[0][k] == 0: continue w_mov[i][j] = w_mov[i][j] + (user_vec[k][i]*user_vec[k][j])/degree_user[0][k] if degree_mov[0][j] == 0: w_mov[i][j] = 0 continue w_mov[i][j] = round(w_mov[i][j] / degree_mov[0][j],4) #print(j) #显示计算到哪 if i %100 ==0 : print(i) return w_mov
5，Top-K(用于选择推荐值或者评分最高的K个值)矩阵：
#top-K排序 def partition_arg_topK(matrix, K, axis=0): a_part = np.argpartition(matrix, K, axis=axis) #列排序 if axis == 0: row_index = np.arange(matrix.shape[1 - axis]) a_sec_argsort_K = np.argsort(matrix[a_part[0:K, :], row_index], axis=axis) return a_part[0:K, :][a_sec_argsort_K, row_index] #行排序 else: column_index = np.arange(matrix.shape[1 - axis])[:, None] a_sec_argsort_K = np.argsort(matrix[column_index, a_part[:, 0:K]], axis=axis) return a_part[:, 0:K][column_index, a_sec_argsort_K]
6，输出参数（以协同过滤为例子：评判标准定为用户已选产品新老评分之差，再取平均）而网状则不同，方法详见另一个思维导图：
correct_corr = np.zeros((1,6040)) sum_valid = 0 for i in range(0, 6040): degree = np.sum(user_vec[i]) for k in range(0, 3952): if user_vec[i][k] == 1: correct_corr[0][i] =correct_corr[0][i]+ (new_rating[i][k] - user_rating[i][k]) if degree != 0: correct_corr[0][i] = correct_corr[0][i] / degree sum_valid = sum_valid+1 else: correct_corr[0][i]= 0 print(np.sum(correct_corr) / sum_valid)