python实现itemCF and userCF

 

１基于用户的协同过滤算法：

基于用户的协同过滤算法是推荐系统中最古老的的算法，能够说是这个算法的诞生标志了推荐系统的诞生。该算法在1992年被提出，并应用于邮件过滤系统，1994年被GroupLens用于新闻过滤。

在一个在线个性化推荐系统中，当一个用户A须要个性化推荐时，能够先找到和他有类似兴趣的其余用户，而后把那些用户喜欢的而用户A没有接触过的物品推荐给A。这种方法称为基于用户的协同过滤算法。

给定用户u和用户v，令N(u)表示用户u曾经有过正反馈的物品集合，经过余弦类似度计算用户的类似度。因为不少用户相互之间并无对一样的物品产生过行为，即，所以能够先计算的用户对(u,v)。为此，能够首先创建物品到用户的倒查表，对于每一个物品保存对该物品产生过行为的用户列表。令稀疏矩阵，假设用户u和用户v同时属于倒查表中K个物品对应的用户列表，就有（即用户u和v对相同物品产生正反馈的物品数），从而能够扫描倒查表中每一个物品对应的用户列表，将用户列表中的两两用户对应的加1，最终就能够得到全部用户之间不为0的（也就是余弦类似度的分子）。

获得用户之间的兴趣类似度以后，基于用户的协同过滤算法（User Based Collaborative Filering）会给用户推荐和他兴趣最类似的K个用户喜欢的物品。以下公式度量了UserCF算法中用户u对物品i的感兴趣程度：

其中，S(u,k)包含和用户u兴趣类似度最接*的k个用户集合，N(i)是对物品i有过行为的用户集合，是用户u和用户v的兴趣类似度，表明用户v对物品i的兴趣，由于使用的是单一行为的隐反馈数据，所以为1。

根据以上思路，使用Python实现UserCF算法的代码以下：

import random

002	import math

003	class UserBasedCF:

004	def __init__(self,datafile = None):

005	self.datafile = datafile

006	self.readData()

007	self.splitData(3,47)

008

009	def readData(self,datafile = None):

010

"""

011	read the data from the data file which is a data set

012

"""

013	self.datafile = datafile or self.datafile

014	self.data = []

015	for line in open(self.datafile):

016	userid,itemid,record,_ = line.split()

017	self.data.append((userid,itemid,int(record)))

018

019	def splitData(self,k,seed,data=None,M = 8):

020

"""

021	split the data set

022	testdata is a test data set

023	traindata is a train set

024	test data set / train data set is 1:M-1

025

"""

026	self.testdata = {}

027	self.traindata = {}

028	data = data or self.data

029	random.seed(seed)

030	for user,item, record in self.data:

031	if random.randint(0,M) == k:

032	self.testdata.setdefault(user,{})

033	self.testdata[user][item] = record

034

else:

035	self.traindata.setdefault(user,{})

036	self.traindata[user][item] = record

037

038	def userSimilarityBest(self,train = None):

039

"""

040	the other method of getting user similarity which is better than above

041	you can get the method on page 46

042	In this experiment，we use this method

043

"""

044	train = train or self.traindata

045	self.userSimBest = dict()

046	item_users = dict()

047	for u,item in train.items():

048	for i in item.keys():

049	item_users.setdefault(i,set())

050	item_users[i].add(u)

051	user_item_count = dict()

052	count = dict()

053	for item,users in item_users.items():

054	for u in users:

055	user_item_count.setdefault(u,0)

056	user_item_count[u] += 1

057	for v in users:

058	if u == v:continue

059	count.setdefault(u,{})

060	count[u].setdefault(v,0)

061	count[u][v] += 1

062	for u ,related_users in count.items():

063	self.userSimBest.setdefault(u,dict())

064	for v, cuv in related_users.items():

065	self.userSimBest[u][v] = cuv / math.sqrt(user_item_count[u] * user_item_count[v] * 1.0)

066

067	def recommend(self,user,train = None,k = 8,nitem = 40):

068	train = train or self.traindata

069	rank = dict()

070	interacted_items = train.get(user,{})

071	for v ,wuv in sorted(self.userSimBest[user].items(),key = lambda x : x[1],reverse = True)[0:k]:

072	for i , rvi in train[v].items():

073	if i in interacted_items:

074

continue

075	rank.setdefault(i,0)

076	rank[i] += wuv

077	return dict(sorted(rank.items(),key = lambda x :x[1],reverse = True)[0:nitem])

078

079	def recallAndPrecision(self,train = None,test = None,k = 8,nitem = 10):

080

"""

081	Get the recall and precision, the method you want to know is listed

082	in the page 43

083

"""

084	train = train or self.traindata

085	test = test or self.testdata

086

hit = 0

087	recall = 0

088	precision = 0

089	for user in train.keys():

090	tu = test.get(user,{})

091	rank = self.recommend(user, train = train,k = k,nitem = nitem)

092	for item,_ in rank.items():

093	if item in tu:

094

hit += 1

095	recall += len(tu)

096	precision += nitem

097	return (hit / (recall * 1.0),hit / (precision * 1.0))

098

099	def coverage(self,train = None,test = None,k = 8,nitem = 10):

100	train = train or self.traindata

101	test = test or self.testdata

102	recommend_items = set()

103	all_items = set()

104	for user in train.keys():

105	for item in train[user].keys():

106	all_items.add(item)

107	rank = self.recommend(user, train, k = k, nitem = nitem)

108	for item,_ in rank.items():

109	recommend_items.add(item)

110	return len(recommend_items) / (len(all_items) * 1.0)

111

112	def popularity(self,train = None,test = None,k = 8,nitem = 10):

113

"""

114	Get the popularity

115	the algorithm on page 44

116

"""

117	train = train or self.traindata

118	test = test or self.testdata

119	item_popularity = dict()

120	for user ,items in train.items():

121	for item in items.keys():

122	item_popularity.setdefault(item,0)

123	item_popularity[item] += 1

124

ret = 0

125

n = 0

126	for user in train.keys():

127	rank = self.recommend(user, train, k = k, nitem = nitem)

128	for item ,_ in rank.items():

129	ret += math.log(1+item_popularity[item])

130

n += 1

131	return ret / (n * 1.0)

132

133	def testUserBasedCF():

134	cf = UserBasedCF('u.data')

135	cf.userSimilarityBest()

136	print "%3s%20s%20s%20s%20s" % ('K',"recall",'precision','coverage','popularity')

137	for k in [5,10,20,40,80,160]:

138	recall,precision = cf.recallAndPrecision( k = k)

139	coverage = cf.coverage(k = k)

140	popularity = cf.popularity(k = k)

141	print "%3d%19.3f%%%19.3f%%%19.3f%%%20.3f" % (k,recall * 100,precision * 100,coverage * 100,popularity)

142

143	if __name__ == "__main__":

144	testUserBasedCF()

2 基于物品的协同过滤算法：

基于物品的协同过滤算法（Item-Based Collaborative Filtering）是目前业界应用最多的算法，亚马逊、Netflix、Hulu、YouTube都采用该算法做为其基础推荐算法。

基于用户的协同过滤算法有一些缺点：随着网站的用户数目愈来愈大，计算用户兴趣类似度矩阵将愈来愈困难，其运算时间复杂度和空间复杂度的增加和用户数的增加*似*方关心。而且，基于用户的协同过滤算法很难对推荐结果作出解释。所以亚马逊提出了基于物品的协同过滤算法。

基于物品的协同过滤算法给用户推荐那些和他们以前喜欢的物品类似的物品。不过ItemCF算法并不利用物品的内容属性计算物品之间的类似度，它主要经过分析用户的行为记录计算用户之间的类似度，也就是说物品A和物品B具备很大的类似度是由于喜欢物品A的用户大都也喜欢物品B（这一点也是基于物品的协同过滤算法和基于内容的推荐算法最主要的区别）。同时，基于物品的协同过滤算法能够利用用户的历史行为给推荐结果提供推荐解释，用于解释的物品都是用户以前喜欢的或者购买的物品。

“Customers Who Bought This Item Also Bought”（亚马逊显示相关物品推荐时的标题），从这句话的定义出发，利用如下公式定义物品之间的类似度：

其中N(i)是喜欢物品i的用户数，分子是同时喜欢物品i和物品j的用户数。这个公式惩罚了物品j的权重，减轻了热门物品会和不少物品类似的可能性（这样wij的值会很大，接*于1）。这个公式说明两个物品产生类似度是由于它们共同被不少用户喜欢，也就是说每一个用户均可以经过他们的历史兴趣列表给物品“贡献”类似度。

和UserCF算法相似，用ItemCF算法计算物品类似度时也能够首先创建用户-物品倒排表，即对每一个用户创建一个包含他喜欢的物品的列表，而后对于每一个用户，将他物品列表中的物品两两在共现矩阵C中加1，最终就能够获得全部物品之间不为0的，也就是公式中的分子。

在获得物品之间的类似度后，ItemCF经过以下公式计算用户u对一个物品i的兴趣：

其中，N(u)是用户喜欢的物品集合，S(i,k)是和物品i最类似的k个物品的集合，是物品j和物品i的类似度，是用户u对物品i的兴趣，对于隐反馈数据集，若是用户u对物品i有过行为，便可令为1。

根据以上思路，使用Python实现ItemCF算法的代码以下：

001	import math

002	import random

003	class ItemBasedCF:

004	def __init__(self, datafile = None):

005	self.datafile = datafile

006	self.readData()

007	self.splitData(3,47)

008

009	def readData(self,datafile = None):

010	self.datafile = datafile or self.datafile

011	self.data = []

012	file = open(self.datafile,'r')

013	for line in file.readlines()[0:100*1000]:

014	userid, itemid, record,_ = line.split()

015	self.data.append((userid,itemid,int(record)))

016

017	def splitData(self,k,seed,data=None,M = 8):

018	self.testdata = {}

019	self.traindata = {}

020	data = data or self.data

021	random.seed(seed)

022	for user,item,record in self.data:

023	if random.randint(0,7) == k:

024	self.testdata.setdefault(item,{})

025	self.testdata[item][user] = record

026

else:

027	self.traindata.setdefault(item,{})

028	self.traindata[item][user] = record

029

030	def ItemSimilarity(self, train = None):

031	train = train or self.traindata

032	self.itemSim = dict()

033	#user_items = dict()

034	item_user_count = dict() #item_user_count{item: likeCount} the number of users who like the item

035	count = dict() #count{i:{j:value}} the number of users who both like item i and j

036	for user, item in train.items(): #initialize the user_items{user: items}

037	for i in item.keys():

038	item_user_count.setdefault(i,0)

039	item_user_count[i] += 1

040	for j in item.keys():

041	if i == j:

042

continue

043	count.setdefault(i,{})

044	count[i].setdefault(j,0)

045	count[i][j] += 1

046	for i, related_items in count.items():

047	self.itemSim.setdefault(i,dict())

048	for j, cuv in related_items.items():

049	self.itemSim[i].setdefault(j,0)

050	self.itemSim[i][j] = cuv / math.sqrt(item_user_count[i] * item_user_count[j] * 1.0)

051

052	def recommend(self,user,train = None, k = 8, nitem = 40):

053	train = train or self.traindata

054	rank = dict()

055	ru = train.get(user,{})

056	for i,pi in ru.items():

057	for j,wj in sorted(self.itemSim[i].items(), key = lambda x:x[1], reverse = True)[0:k]:

058	if j in ru:

059

continue

060	rank.setdefault(j,0)

061	rank[j] += wj

062	#print dict(sorted(rank.items(), key = lambda x:x[1], reverse = True)[0:nitem])

063	return dict(sorted(rank.items(), key = lambda x:x[1], reverse = True)[0:nitem])

064

065	def recallAndPrecision(self,train = None,test = None,k = 8,nitem = 10):

066	train = train or self.traindata

067	test = test or self.testdata

068

hit = 0

069	recall = 0

070	precision = 0

071	for user in train.keys():

072	tu = test.get(user,{})

073	rank = self.recommend(user,train = train,k = k,nitem = nitem)

074	for item,_ in rank.items():

075	if item in tu:

076

hit += 1

077	recall += len(tu)

078	precision += nitem

079	return (hit / (recall * 1.0),hit / (precision * 1.0))

080

081	def coverage(self,train = None,test = None,k = 8,nitem = 10):

082	train = train or self.traindata

083	test = test or self.testdata

084	recommend_items = set()

085	all_items = set()

086	for user in train.keys():

087	for item in train[user].keys():

088	all_items.add(item)

089	rank = self.recommend(user, train, k = k, nitem = nitem)

090	for item,_ in rank.items():

091	recommend_items.add(item)

092	return len(recommend_items) / (len(all_items) * 1.0)

093

094	def popularity(self,train = None,test = None,k = 8,nitem = 10):

095

"""

096	Get the popularity

097	the algorithm on page 44

098

"""

099	train = train or self.traindata

100	test = test or self.testdata

101	item_popularity = dict()

102	for user ,items in train.items():

103	for item in items.keys():

104	item_popularity.setdefault(item,0)

105	item_popularity[item] += 1

106

ret = 0

107

n = 0

108	for user in train.keys():

109	rank = self.recommend(user, train, k = k, nitem = nitem)

110	for item ,_ in rank.items():

111	ret += math.log(1+item_popularity[item])

112

n += 1

113	return ret / (n * 1.0)

114

115	def testRecommend():

116	ubcf = ItemBasedCF('u.data')

117	ubcf.readData()

118	ubcf.splitData(4,100)

119	ubcf.ItemSimilarity()

120	user = "345"

121	rank = ubcf.recommend(user,k = 3)

122	for i,rvi in rank.items():

123	items = ubcf.testdata.get(user,{})

124	record = items.get(i,0)

125	print "%5s: %.4f--%.4f" %(i,rvi,record)

126

127	def testItemBasedCF():

128	cf = ItemBasedCF('u.data')

129	cf.ItemSimilarity()

130	print "%3s%20s%20s%20s%20s" % ('K',"recall",'precision','coverage','popularity')

131	for k in [5,10,20,40,80,160]:

132	recall,precision = cf.recallAndPrecision( k = k)

133	coverage = cf.coverage(k = k)

134	popularity = cf.popularity(k = k)

135	print "%3d%19.3f%%%19.3f%%%19.3f%%%20.3f" % (k,recall * 100,precision * 100,coverage * 100,popularity)

136

137	if __name__ == "__main__":

138	testItemBasedCF()

3 UserCF和ItemCF的综合比较：

UserCF给用户推荐那些和他有共同兴趣爱好的用户喜欢的物品，而ItemCF给用户推荐那些和他以前喜欢的物品相似的物品。从这个原理能够看到，UserCF的推荐结果着重于反映和用户兴趣类似的小群体的热点，而ItemCF的推荐结果着重于维系用户的历史兴趣。UserCF的推荐更社会化，反映了用户所在的小型兴趣群体中物品的热门程度，而ItemCF的推荐更加个性化，反映了用户本身的兴趣传承。同时，从技术上来讲，UserCF须要维护一个用户类似度的矩阵，而ItemCF须要维护一个物品类似度矩阵。从存储的角度来讲，若是用户不少，那么维护用户兴趣类似度矩阵须要很大的空间，同理，若是物品不少，维护物品类似度矩阵代价较大。

对于UserCF和ItemCF，咱们采用http://www.grouplens.org/node/73 的数据集进行测试，使用准确率/召回率、覆盖率和流行度对实验结果进行评测。

对用户u推荐N个物品R(u)，令用户u在测试集上喜欢的物品集合为T(u)，则：

召回率描述有多少比例的用户-物品评分记录包含在最终的推荐列表中，而准确率描述最终的推荐列表中有多少比例是发生过的用户-物品评分记录。

覆盖率表示最终的推荐列表中包含多大比例的物品，若是全部的物品都被推荐给至少一个用户，那么覆盖率就是100%。

最后还须要评测推荐的新颖度，这里用推荐列表中物品的*均流行度度量推荐结果的新颖度，若是推荐出的物品都很热门，说明推荐的新颖度较低，不然说明推荐结果比较新颖。

图1 UserCF实验结果

图2 ItemCF实验结果

对于以上UserCF和ItemCF的实验结果能够看出，推荐系统的精度指标（准确率和召回率）并不和参数k成线性关系。推荐结果的精度对k也不是特别敏感，只要选在必定的区域内，就能够得到不错的精度。

对于覆盖率而言，k越大则推荐结果的覆盖率越低，覆盖率的下降是由于流行度的增长，随着流行度增长，推荐算法愈来愈倾向于推荐热门的物品，这是由于k决定了推荐算法在作推荐时参考多少和你兴趣类似的其余用户的兴趣，若是k越大，参考的人或者物品越多，结果就愈来愈趋*于全局热门的物品。