提供推荐

1. Collaborative Filtering

Collaborative Filtering: 经过喜爱相近的人构造推荐列表。

如何表示喜爱？用嵌套字典表示不一样人对不一样影片的评分。嵌套字典的数据结构就像一棵树，叶子节点（键值）表示最终的属性。(源代码下载地址)

>>>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

评价公式：

该值越大，喜爱越类似，没有共同评价过的电影，则返回 0.

Pearson Correlation Score

数据不是很规范，好比有人习惯给高分，有人习惯给低分，用皮尔逊相关度评价效果更好。

Pearson Correlation 实际上就是两个向量的余弦值，等于两个向量中心化后（减去均值）的内积除以长度的乘积：

一样，数值越大，两个向量角度越小，喜爱越类似。此外，类似度度量方法还有 Jaccard 系数或者曼哈顿距离等，更多关于类似度度量信息能够参考这篇博客.

Ranking the Critics

根据不一样的类似度度量方法返回从高到低排好序的的类似者.

>>> 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

如今咱们只获得喜爱相同的人，怎么才能获得推荐的物品？咱们能够查找与本身品味相投的人，并从他们喜爱的影片中找到本身没有看过的电影，可是这样不够全面。能够利用下面公式给本身没有看过的电影进行评分预测：