提供推薦

1. Collaborative Filtering

Collaborative Filtering: 經過喜愛相近的人構造推薦列表。

如何表示喜愛？用嵌套字典表示不一樣人對不一樣影片的評分。嵌套字典的數據結構就像一棵樹，葉子節點（鍵值）表示最終的屬性。(源代碼下載地址)

>>>from recommendations import critics
>>> critics['Toby']
{'Snakes on a Plane': 4.5, 'Superman Returns': 4.0, 'You, Me and Dupree': 1.0}
>>> critics['Toby']['Superman Returns']
4.0

 

2. Finding Similar Users

Euclidean Distance Score

評價公式：

該值越大，喜愛越類似，沒有共同評價過的電影，則返回 0.

Pearson Correlation Score

數據不是很規範，好比有人習慣給高分，有人習慣給低分，用皮爾遜相關度評價效果更好。

Pearson Correlation 實際上就是兩個向量的餘弦值，等於兩個向量中心化後（減去均值）的內積除以長度的乘積：

一樣，數值越大，兩個向量角度越小，喜愛越類似。此外，類似度度量方法還有 Jaccard 係數或者曼哈頓距離等，更多關於類似度度量信息能夠參考這篇博客.

Ranking the Critics

根據不一樣的類似度度量方法返回從高到低排好序的的類似者.

>>> from recommendations import *
>>> topMatches(critics, 'Toby', similarity=sim_pearson, n=3)
[(0.9912407071619299, 'Lisa Rose'), (0.9244734516419049, 'Mick LaSalle'), (0.8934051474415647, 'Claudia Puig')]

 

3. Recommending Items

如今咱們只獲得喜愛相同的人，怎麼才能獲得推薦的物品？咱們能夠查找與本身品味相投的人，並從他們喜愛的影片中找到本身沒有看過的電影，可是這樣不夠全面。能夠利用下面公式給本身沒有看過的電影進行評分預測：