基于ItemCF算法

1. #!/usr/sbin/env python
2. # -*- coding:utf-8 -*-
4. import math
6. # ItemCF算法
7. def ItemSimilarity(train):
8.     C = dict()
9.     N = dict()
10.     for u,items in train.items():
11.         for i in items.keys():
12.             N[i] += 1
13.             for j in items.keys():
14.                 if i == j:
15.                     continue
16.                 C[i][j] += 1
17.     W = dict()
18.     for i,related_items in C.items():
19.         for j,cij in related_items.items():
20.             W[i][j] = cij / math.sqrt( N[i] * N[j])
21.     return W
23. # ItemCF-IUF算法
24. def ItemSimilarity_v2(train):
25.     C = dict()
26.     N = dict()
27.     for u,items in train.items():
28.         for i in items.keys():
29.             N[i] += 1
30.             for j in items.keys():
31.                 if i == j:
32.                     continue
33.                 C[i][j] += 1 / math.log(1+len(items)*1.0)
34.     W = dict()
35.     for i,related_items in C.items():
36.         for j,cij in related_items.items():
37.             W[i][j] = cij / math.sqrt( N[i] * N[j])
38.     return W
40. def Recommend(train,user_id,W,K):
41.     rank = dict()
42.     ru = train[user_id]
43.     for i,pi in ru.items():
44.         for j,wj in sorted(W[i].items,key=itemgetter(1),reverse=True)[0:K]:
45.             if j in ru:
46.                 continue
47.             rank[j] += pi*wj
48.     return rank

复制代码
基于UserCF算法

1. #!/usr/sbin/env python
2. # -*- coding:utf-8 -*-
3. import math
4. ”’
5. 基于UserCF的推荐算法
6. ”’
7. # UserCF算法
8. def UserSimilarity(train):
9.     item_users = dict()
10.     for u,items in train.items():
11.         for i in items.keys():
12.             if i not in item_users:
13.                 item_users[i] = set()
14.             item_users[i].add(u)
15.     C = dict()
16.     N = dict()
17.     for i,users in item_users.items():
18.         for u in users:
19.             N[u] += 1
20.             for v in users:
21.                 if u == v:
22.                     continue
23.                 C[u][v] += 1
24.     W = dict()
25.     for u,related_users in C.items():
26.         for v,cuv in related_users.items():
27.             W[u][v] = cuv / math.sqrt(N[u] * N[v])
28.     return W
30. # User-IIF算法
31. def UserSimilarity_v2(train):
32.     item_users = dict()
33.     for u,items in train.items():
34.         for i in items.keys():
35.             if i not in item_users:
36.                 item_users[i] = set()
37.             item_users[i].add(u)
38.     C = dict()
39.     N = dict()
40.     for i,users in item_users.items():
41.         for u in users:
42.             N[u] += 1
43.             for v in users:
44.                 if u == v:
45.                     continue
46.                 C[u][v] += 1 / math.log(1+len(users))
47.     W = dict()
48.     for u,related_users in C.items():
49.         for v,cuv in related_users.items():
50.             W[u][v] = cuv / math.sqrt(N[u] * N[v])
51.     return W
53. def Recommend(user,train,W):
54.     rank = dict()
55.     interacted_items = train[user]
56.     for v,wuv in sorted(W[u].items,key=itemgetter(1),reverse=True)[0:K]:
57.         for i,rvi in train[v].items:
58.             if i in interacted_items:
59.                 continue
60.             rank[i] += wuv*rvi
61.     return rank

复制代码
基于时间上下文的个性化推荐

1. #!/usr/sbin/env python
2. # -*- coding:utf-8 -*-
4. import math
7. def RecentPopularity(records,alpha,T):
8.     ret = dict()
9.     for user,item,tm in records:
10.         if tm >= T:
11.             continue
12.         addToDict(ret,item,1/(1.0+alpha*(T-tm)))
13.     return ret
15. def addToDict(dicts,item,value):
16.     pass
18. def ItemSimilarity(train,alpha):
19.     C = dict()
20.     N = dict()
21.     for u,items in train.items():
22.         for i,tui in items.items():
23.             N[i] += 1
24.             for j,tuj in items.items():
25.                 if i == j:
26.                     continue
27.                 C[i][j] += 1 / (1+alpha*abs(tui-tuj))
28.     W = dict()
29.     for i,related_items in C.items():
30.         for j,cij in related_items.items():
31.             W[i][j] = cij / math.sqrt(N[i] * N[j])
32.     return W
34. def RecommendItemCF(train,user_id,W,K,t0):
35.     rank = dict()
36.     ru = train[user_id]
37.     for i,pi in ru.items():
38.         for j,wj in sorted(W[i].items(),\
39.                 key=itemgetter(1),reverse=True)[0:K]:
40.             if j,tuj in ru.items():
41.                 continue
42.             rank[j] += pi * wj / (1 + alpha * (t0 – tuj))
43.     return rank
46. def UserSimilarity(train):
47.     item_users = dict()
48.     for u,items in train.items():
49.         for i,tui in items.items():
50.             if i not in item_users:
51.                 item_users[i] = dict()
52.             item_users[i][u] = tui
54.     C = dict()
55.     N = dict()
56.     for i,users in item_users.items():
57.         for u,tui in users.items():
58.             N[u] += 1
59.             for v,tvi in users.items():
60.                 if u == v:
61.                     continue
62.                 C[u][v] += 1 / (1 + alpha * abs(tui – tvi))
63.     W = dict()
64.     for u,related_users in C.items():
65.         for v,cuv in related_users.items():
66.             W[u][v] = cuv / math.sqrt(N[u] * N[v])
67.     return W
69. def RecommendUserCF(user,T,train,W):
70.     rank = dict()
71.     interacted_items = train[user]
72.     for v,wuv in sorted(W[u].items,key=itemgetter(1),\
73.             reverse=True)[0:K]:
74.         for i,tvi in train[v].items:
75.             if i in interacted_items:
76.                 continue
77.             rank[i] += wuv / (1 + alpha * (T – tvi))
78.     return rank

复制代码
基于LFM算法的个性化推荐

1. #!/usr/bin/env python
2. import random
4. ”’
5. items => {’12’:’PHP’,’1203′:’Storm’,’123′:’Ubuntu’}
6. items_pool => [12,32,121,324,532,123,53,1203,429,2932]
7. user_items => {‘1010’:[12,1203,123,429]}
8. ”’
9. def RandomSelectNagativeSample(items):
10.     ret = dict()
11.     for i in items.keys():
12.         ret[i] = 1
13.     n = 0
14.     for i in range(0,len(items)*3):
15.         item = items_pool[random.randint(0,len(items_pool)-1)]
16.         if item in ret:
17.             continue
18.         ret[item] = 0
19.         n += 1
20.         if n > len(items):
21.             break
22.     return ret
25. def InitModel(user_items,F):
26.     P = dict()
27.     Q = dict()
28.     for u in user_items.keys():
29.         if u not in P:
30.             P[u] = {}
31.         for f in range(0,F):
32.             P[u][f] = 1
34.     items = user_items.values()
35.     itemLen = len(items[0])
36.     i = 0
37.     while i< itemLen:
38.         ii = items[0][i]
39.         if ii not in Q:
40.             Q[ii] = {}
41.         for f in range(0,F):
42.             Q[ii][f] = 1
43.         i += 1
44.     return [P,Q]
47. def LatentFactorModel(user_items,F,N,alpha,lambda1):
48.     [P,Q] = InitModel(user_items,F)
49.     for setup in range(0,N):
50.         for user,items in user_items.items():
51.             samples = RandomSelectNagativeSample(items)
52.             for item,rui in samples.items():
53.                 eui = rui – Predict(user,item)
54.                 for f in range(0,F):
55.                     P[user][f] += alpha * (eui * Q[item][f] – lambda1 * P[user][f])
56.                     Q[item][f] += alpha * (eui * P[user][f] – lambda1 * Q[item][f])
57.         alpha *= 0.9
58.     return [P,Q]
61. def Recommend(user,P,Q):
62.     rank = dict()
63.     for f,puf in P[user].items():
64.         for i,pfi in Q[f].items():
65.             if i not in rank:
66.                 rank[i] += puf * qfi
67.     return rank
71. def PersonalRank(G,alpha,root,maxsetup):
72.     rank = dict()
73.     #rank = {x:0 for x in G.keys()}
74.     rank = rank.fromkeys(G.keys(),0)
75.     rank[root] = 1
76.     for k in range(maxsetup):
77.         tmp = dict()
78.         #tmp = {x:0 for x in G.keys()}
79.         tmp = tmp.fromkeys(G.keys(),0)
80.         for i,ri in G.items():
81.             for j,wij in ri.items():
82.                 if j not in tmp:
83.                     tmp[j] = 0
84.                 tmp[j] += alpha * rank[i]/(1.0*len(ri))
85.                 if j == root:
86.                     tmp[j] += 1 – alpha
87.         rank = tmp
89.         print ‘iter:’ + str(k) + “\t”,
90.         for key,value in rank.items():
91.             print “%s:%.3f,\t” % (key,value),
92.         print
93.     return rank
95. if __name__ == ‘__main__’:
96.     G = {‘A’:{‘a’:1,’c’:1},
97.      ‘B’:{‘a’:1,’b’:1,’c’:1,’d’:1},
98.      ‘C’:{‘c’:1,’d’:1},
99.      ‘a’:{‘A’:1,’B’:1},
100.      ‘b’:{‘B’:1},
101.      ‘c’:{‘A’:1,’B’:1,’C’:1},
102.      ‘d’:{‘B’:1,’C’:1}}
103.     PersonalRank(G,0.85,’A’,20)
105. ”’
107. #items_pool = {’12’:’PHP’,’32’:’Nginx’,’121′:’Apache’,’324′:’Erlang’,’532′:’Linux’,’123′:’Ubuntu’,’53’:’Java’,’1203′:’Storm’,’429′:’Kafka’,’2932′:’Flume’}
108. items_pool = [12,32,121,324,532,123,53,1203,429,2932]
109. items = {’12’:’PHP’,’1203′:’Storm’,’123′:’Ubuntu’}
110. user_items = {‘1010’:[12,1203,123,429]}
113. #print RandomSelectNagativeSample(items)
114. print InitModel(user_items,4)
115. ”’

复制代码
基于图的推荐算法

1. #!/usr/sbin/env python
2. # -*- coding:utf-8 -*-
3. ”’
4.     基于图的推荐算法,二分图
5. ”’
8. def PersonalRank(G,alpha,root,maxsetup):
9.     rank = dict()
10.     #rank = {x:0 for x in G.keys()}
11.     rank = rank.fromkeys(G.keys(),0)
12.     rank[root] = 1
13.     for k in range(maxsetup):
14.         tmp = dict()
15.         #tmp = {x:0 for x in G.keys()}
16.         tmp = tmp.fromkeys(G.keys(),0)
17.         for i,ri in G.items():
18.             for j,wij in ri.items():
19.                 if j not in tmp:
20.                     tmp[j] = 0
21.                 tmp[j] += alpha * rank[i]/(1.0*len(ri))
22.                 if j == root:
23.                     tmp[j] += 1 – alpha
24.         rank = tmp
26.         print ‘iter:’ + str(k) + “\t”,
27.         for key,value in rank.items():
28.             print “%s:%.3f,\t” % (key,value),
29.         print
30.     return rank
32. if __name__ == ‘__main__’:
33.     G = {‘A’:{‘a’:1,’c’:1},
34.      ‘B’:{‘a’:1,’b’:1,’c’:1,’d’:1},
35.      ‘C’:{‘c’:1,’d’:1},
36.      ‘a’:{‘A’:1,’B’:1},
37.      ‘b’:{‘B’:1},
38.      ‘c’:{‘A’:1,’B’:1,’C’:1},
39.      ‘d’:{‘B’:1,’C’:1}}
40.     PersonalRank(G,0.85,’C’,20)

复制代码
基于标签的推荐算法

1. #!/usr/sbin/env python
2. # -*- coding:utf-8 -*-
4. import math
6. #标签流行度算法
7. def TagPopularity(records):
8.     tagfreq = dict()
9.     for user,item,tag in records:
10.         if tag not in tagfreq:
11.             tagfreq[tag] = 1
12.         else:
13.             tagfreq[tag] += 1
14.     return tagfreq
16. #物品相似度余弦算法
17. def CosineSim(item_tags,i,j):
18.     ret  = 0
19.     for b,wib in item_tags[i].items():
20.         if b in item_tags[j]:
21.             ret += wib * item_tags[j][b]
22.     ni = 0
23.     nj = 0
24.     for b,w in item_tags[i].items():
25.         ni += w * w
26.     for b,w in item_tags[j].items():
27.         nj += w * w
28.     if ret == 0:
29.         return 0
30.     return ret / math.sqrt(ni * nj)
32. #推荐物品的多样性算法
33. def Diversity(item_tags,recommend_items):
34.     ret = 0
35.     n = 0
36.     for i in recommend_items.keys():
37.         for j in recommend_items.keys():
38.             if i == j:
39.                 continue
40.             ret += CosineSim(item_tags,i,j)
41.             n += 1
42.     return ret / (n * 1.0)
45. def addValueToMat(dicts,index,k,v):
46.     if index not in dicts:
47.         dicts[index] = dict()
48.         dicts[index][k] = v
49.     else:
50.         if k not in dicts[index]:
51.             dicts[index][k] = v
52.         else:
53.             dicts[index][k] += v
55. def InitStat(records):
56.     user_tags = dict() #存储 user_tags[u][b] = n(u,b)
57.     tag_items = dict() # tag_items[b][i] = n(b,i)
58.     user_items = dict()
59.     for user,item,tag in records.items():
60.         addValueToMat(user_tags,user,tag,1)
61.         addValueToMat(tag_items,tag,item,1)
62.         addValueToMat(user_items,user,item,1)
65. def Recommend(user):
66.     recommend_items = dict()
67.     tagged_items = user_items[user]
68.     for tag,wut in user_tags[user].items():
69.         # wut = wut*1.0/math.log(1+len(tag_users[tag])) #TagBasedTFIDF and TagBasedTFIDF++
70.         for item,wti in tag_items[tag].items():
71.             # wti = wti*1.0/math.log(1+len(user_items[user])) #TagBasedTFIDF++
72.             if item in tagged_items:
73.                 continue
74.             if item not in recommend_items:
75.                 recommend_items[item] = wut * wti
76.             else:
77.                 recommend_items[item] += wut * wti
78.     return recommend_items
81. if __name__ == “main”:
82.     user_tags = dict()
83.     user_items = dict()
84.     tag_items = dict()
86.     records = dict()
87.     user = ‘1220’;
89.     InitStat(records)
90.     rec_items = Recommend(user)

复制代码