本文内容
- 用户评分表
- 曼哈顿（Manhattan）距离
- 欧式（Euclidean）距离
- 余弦相似度（cos simliarity）
推荐算法以及数据挖掘算法，计算“距离”是必须的~最近想搭一个推荐系统，看了一些资料和书《写给程序员的数据挖掘指南》，此书不错，推荐大家看看，讲解得很透彻，有理论有代码，还有相关网站。看完后，你立刻就能把推荐算法应用在你的项目中~
本文先主要说明如何计算物品或用户之间的“距离”，陆续会介绍推荐算法本身~
用户评分表
大体上，推荐算法可以有两种简单的思路：一是相似的用户，二是相似的物品。
前者，把与你相似的用户喜欢（或购买或评价高）的商品推荐给你，也就是说，如果你跟某个用户的喜好比较接近，那么就可以把这个用户喜欢的，而你不知道（或没浏览过，或没购买过等等）的物品推荐给你。什么叫“喜好接近”，就是对某些物品的评价也好，购买也罢，都比较接近，就认为，你和他喜好相同~
前者的缺陷在于，用户的评价毕竟是少数，想想，你评价过（显式评价）的物品有多少！大多数还是隐式评价，所谓隐式评价，如果你购买一个物品，那显然你会喜欢他，不然也不会买~因此，利用相似的用户是有局限性的。不如利用相似的物品来推荐。
下面“距离”算法主要针对计算用户之间的距离（相似性）。
假设，8个用户对8个乐队进行评分，如下表所示。横向是用户，纵向是乐队。
表 1 用户评分表
曼哈顿（Manhattan）距离
计算距离最简单的方法是曼哈顿距离。假设，先考虑二维情况，只有两个乐队 x 和 y，用户A的评价为(x1,y1)，用户B的评价为(x2,y2)，那么，它们之间的曼哈顿距离为
因此，Angelica 与 Bill 之间的曼哈顿距离如下表所示。
表 2 Angelica 与 Bill 的曼哈顿距离
那么，Angelica 与 Bill 之间的曼哈顿距离为 9，即第二列减第三列的绝对值，最后累加。
注意，必须是这两个用户都评分的乐队。
可以推广到n个乐队，即n维向量，用户 A(x1,x2,…,xn)，用户B(y1,y2,…,yn) ，那么它们之间的曼哈顿距离为
则用户之间的曼哈顿距离如下表所示。
表 3 用户之间的曼哈顿距离
曼哈顿距离的最大好处就是简单，只是加减法而已。如果有几百万个用户，计算起来会很快。
不仅可以扩展到 n 个乐队，当然也可以扩展到 m 个用户，它们可以形成一个矩阵。下面的其他距离同理。
Netflix 当初出 100 万美元奖励给能提升推荐算法 10% 准确率的团队或人，而赢得奖金的人就是使用了一种叫奇异矩阵分解的方法~
欧式（Euclidean）距离
除了曼哈顿距离外，还可以计算两个用户之间的欧式距离。
还是先考虑两个乐队 x 和 y 的情况，假设，用户A=(x1,y1)，用户B=(x2,y2)，那么它们之间的欧式距离：
Angelica 与 Bill 之间的曼哈顿距离如下表所示。
表 4 Angelica 与 Bill 的欧式距离
推广到 n 个乐队，用户 A(x1,x2,…,xn)，用户B(y1,y2,…,yn)
表 5 用户之间的欧式距离
但曼哈顿距离和欧式距离，有个缺点。对比一下 Hailey 与 Veronica 和 Jordyn，Hailey 与前者只有两个乐队评过分，而与后者是五个。换句话说，Hailey 与 Veronica 的距离是基于二维的，而 Hailey 与 Jordyn 是基于五维。想想都觉得有问题。
所以，曼哈顿距离和欧式距离适合数据比较稠密、缺失值比较少的情况。如果缺失值很多，余弦相似度就比较合适。
曼哈顿距离和欧式距离，有通用公式，称为闵可夫斯基距离（Minkowski Distance）。
余弦相似度（cos simliarity）
假设，有两个乐队，用户A=(x1,y1)，用户B=(x2,y2)，那么他们之间的余弦相识度为：
表 6 Angelica 与 Bill 的余弦相似度
推广到n维，用户A和B，对n个乐队的评分分别为(x1,x2,…,xn)和(y1,y2,…,yn)，则他们之间的余弦相似度为
源代码 dis.py
#
# dis.py
#
from math import *
teams = [
"Blues Traveler", "Broken Bells", "Deadmau5", "Norah Jones", "Phoenix", "Slightly Stoopid", "The Strokes", "Vampire Weekend"]
users = { "Angelica": { "Blues Traveler": 3.5, "Broken Bells": 2, "Norah Jones": 4.5, "Phoenix": 5, "Slightly Stoopid": 1.5, "The Strokes": 2.5, "Vampire Weekend": 2},
"Bill": { "Blues Traveler": 2, "Broken Bells": 3.5, "Deadmau5": 4, "Phoenix": 2, "Slightly Stoopid": 3.5, "Vampire Weekend": 3},
"Chan": { "Blues Traveler": 5, "Broken Bells": 1, "Deadmau5": 1, "Norah Jones": 3, "Phoenix": 5, "Slightly Stoopid": 1},
"Dan": { "Blues Traveler": 3, "Broken Bells": 4, "Deadmau5": 4.5, "Phoenix": 3, "Slightly Stoopid": 4.5, "The Strokes": 4, "Vampire Weekend": 2},
"Hailey": { "Broken Bells": 4, "Deadmau5": 1, "Norah Jones": 4, "The Strokes": 4, "Vampire Weekend": 1},
"Jordyn": { "Broken Bells": 4.5, "Deadmau5": 4, "Norah Jones": 5, "Phoenix": 5, "Slightly Stoopid": 4.5, "The Strokes": 4, "Vampire Weekend": 4},
"Sam": { "Blues Traveler": 5, "Broken Bells": 2, "Norah Jones": 3, "Phoenix": 5, "Slightly Stoopid": 4, "The Strokes": 5},
"Veronica": { "Blues Traveler": 3, "Norah Jones": 5, "Phoenix": 4, "Slightly Stoopid": 2.5, "The Strokes": 3}
}
def manhattan(rating1, rating2):
"""Computes the Manhattan distance. Both rating1 and rating2 are dictionaries
of the form {'The Strokes': 3.0, 'Slightly Stoopid': 2.5}"""distance = 0
commonRatings = False for key in rating1:
if key in rating2:
distance += abs(rating1[key] - rating2[key])
commonRatings = True if commonRatings: return distance else:return -1 #Indicates no ratings in common
def euclidean(rating1, rating2):
"""Computes the euclidean distance. Both rating1 and rating2 are dictionaries
of the form {'The Strokes': 3.0, 'Slightly Stoopid': 2.5}"""distance = 0
commonRatings = False for key in rating1:
if key in rating2:
distance += pow(rating1[key] - rating2[key],2)
commonRatings = True if commonRatings: return sqrt(distance) else:return -1 #Indicates no ratings in common
def minkowski(rating1, rating2, r):
"""Computes the minkowski distance. Both rating1 and rating2 are dictionaries
of the form {'The Strokes': 3.0, 'Slightly Stoopid': 2.5}"""distance = 0
commonRatings = False for key in rating1:
if key in rating2:
distance += pow(abs(rating1[key] - rating2[key]),r)
commonRatings = True if commonRatings: return pow(distance, 1.0/r) else:return -1 #Indicates no ratings in common
def cosineSimilarity (rating1, rating2):
"""Computes the Cosine Similarity distance. Both rating1 and rating2 are dictionaries
of the form {'The Strokes': 3.0, 'Slightly Stoopid': 2.5}"""sum_xy = 0
sum_sqr_x = 0
sum_sqr_y = 0
for key in teams:
if key in rating1 and key in rating2:
sum_xy += rating1[key]* rating2[key]
sum_sqr_x += pow(rating1[key], 2)
sum_sqr_y += pow(rating2[key], 2)
elif key not in rating1 and key in rating2:
sum_xy += 0
sum_sqr_x += 0
sum_sqr_y += pow(rating2[key], 2)
elif key in rating1 and key not in rating2:
sum_xy += 0
sum_sqr_x += pow(rating1[key], 2)
sum_sqr_y += 0
else:sum_xy += 0
sum_sqr_x += 0
sum_sqr_y += 0
if sum_sqr_x ==0 or sum_sqr_y==0:return -1 #Indicates no ratings in common
else: return sum_xy / (sqrt(sum_sqr_x) * sqrt(sum_sqr_y))def pearson(rating1, rating2):
"""Computes the pearson distance. Both rating1 and rating2 are dictionaries
of the form {'The Strokes': 3.0, 'Slightly Stoopid': 2.5}"""sum_xy = 0
sum_x = 0
sum_y = 0
sum_x2 = 0
sum_y2 = 0
n = 0
for key in rating1:
if key in rating2:
n += 1
x = rating1[key]
y = rating2[key]
sum_xy += x * y
sum_x += x
sum_y += y
sum_x2 += pow(x, 2)
sum_y2 += pow(y, 2)
# now compute denominator
denominator = sqrt(sum_x2 - pow(sum_x, 2) / n) * sqrt(sum_y2 - pow(sum_y, 2) / n)
if denominator == 0: return 0 else: return (sum_xy - (sum_x * sum_y) / n) / denominator