上传资源得积分
:sj52abcd
随着社会的发展水平的提高，社会的发展和人们专业水平的进步，网络技能的快速发展和网络信息的快速增加，为了更好地满足用户的个性化需求，层次理论和各种推荐系统应运而生。它根据用户的兴趣和偏好，主动建立用户与信息之间的联系，帮助用户从海量信息中挖掘潜在的需求层次理论。推荐系统的重要功能是推荐算法。常用的推荐算法主要包括专家推荐、统计推荐、内容推荐和协同过滤推荐。Python语言是一种开源、自由、跨平台的解释性高级动态编程语言。其日益增长的影响和简洁方便的应用使其成为开发互联网络应用系统的首选语言。本文利用Python语言实现了一个商品协同过滤算法推荐系统。1推荐系统推荐系统是从海量数据中挖掘出来的。通过对用户历史数据的分析，了解用户的需求层次理论和兴趣，从而主动推荐用户感兴趣的信息和商品。其实质是在用户和商品之间建立联系。一个完整的推荐系统通常包括三个模块：用户建模模块、推荐对象建模模块和推荐算法模块。首先，推荐系统对用户进行建模，根据用户的行为数据和属性数据分析用户的兴趣和需求层次理论，同时对推荐对象进行建模。然后，根据用户和对象的特点，采用选择算法计算用户可能感兴趣的主题，然后根据选择场景选择和调整选择结果，最后将选择结果呈现给用户。其基本架构如图1[1]所示。2协同过滤算法协同过滤算法分为用户协同过滤算法和主题协同过滤算法[1]。用户协同过滤算法（以下简称usercf）根据不同用户在主题上的得分来评估用户之间的相似性，并根据用户之间的相似性来选择用户。简而言之，它是推荐一些类似于其他用户喜欢和感兴趣的东西。主题协同过滤算法（以下简称itemcf）根据用户对不同主题的评分来评估主题之间的相似性，并推荐主题之间的相似性。简而言之，就是向用户推荐与他以前喜欢的主题类似的主题。usercf算法的思想与itemcf算法相似，其完成过程与原始形状相似。唯一的区别是，一个是计算用户相似度，另一个是计算主题相似度。usercf算法和itemcf算法之间的重要区别在于，usercf推荐与目标用户有共同兴趣和偏好的其他用户喜爱的主题，而itemcf算法推荐与目标用户以前喜爱的主题类似的其他主题。因此，对于短信推荐、微博主题推荐等应用，usercf算法的推荐更具社会性和实用性；itemcf算法的推荐更加个性化，适合电子商务、电影、书籍等应用。3.推荐制度的改进和完善3。1推荐算法本推荐系统以电影推荐系统为例，采用主题协同过滤算法（简称itemcf）。主题的协同过滤算法是向目标用户推荐与其以前喜欢的主题相似的主题。该算法不使用主题的内容属性来计算主题之间的相似度，而是主要基于对用户动作记录的分析来计算主题之间的相似度。该算法的假设是，条目I1和条目I2具有很大程度的水平相似性，因为大多数喜欢条目I1的用户也喜欢条目I2。Itemcf算法由两个重要步骤组成。第一步：计算主题之间的相似性。计算相似度的算法有很多，如泊松相关系数、余弦相似度等。这里，可以直接应用共生矩阵[2,3]来完成计算。有三个用户U1、U2和U3以及四个主题I1、I2、I3和I4。每个用户喜欢的主题列表如图2的（a）所示。为每个用户最喜欢的主题列表建立主题共现矩阵mu。例如，如果用户U1喜欢主题I1和I3，则主题共现矩阵中的mu1[I1][I3]和mu1[I3][I1]的值为1，依此类推。每个用户的主题共生矩阵mu可以从用户最喜欢的主题列表中获得，如图2的（b）所示。然后添加所有用户项的共现矩阵，以获得所有用户项的最终共现矩阵M，如图2（c）所示。根据主题和用户历史行为的共生矩阵，求解推荐分数，然后根据推荐分数为用户生成推荐列表。推荐分数=主题共现矩阵*用户分数向量[4]。3.2此处的数据准备，movielens（http://grouplens.Org/datasets/movielens）。Movielens是GroupLens研究实验室的一个非商业性、以研究为导向的实验项目。它收集了20世纪90年代末至21世纪初的一组电影评分数据，包括不同大小的数据集。每个数据集包含电影信息数据和电影评分记录。系统采用movielens 1m数据集。该数据集中存储的电影评分记录文件为“ratings.CSV”，其数据模式如图3所示。每行中四个逗号分隔的数据表示用户ID、电影ID、分级和分级时间戳。该推荐系统仅适用于前三个数据元素。在数据集中存储电影信息数据的文件是“movies.CSV”，其数据模式如图4所示。前两个数据对系统很重要：电影ID和电影名称（年份）。从这个数据集中，如何根据已知的用户分数记录预测未知的用户分数，并根据分数预测用户是否喜欢电影，从而决定是否向用户推荐
