[原博文](py3实现协同过滤算法)一些说明

原博文一些说明：

1、程序为py3()

2、题外话

17年那会刚学了python及协同过滤，边先做了个最简单的测试程序，没考虑效率等问题，核心是：实现算法即可。后来做了一些优化、以及ubcf、ibcf、slope-one等相关算法的程序，但由于多种原因一直未能整理更新，近期也不会更吧。。。

3、当时的整个思路：

3.1 写个.py文件：

将rating数据随机分成了training和test；

因为通常需要五折交叉试验，所以没运行一次都可以生成不同的（train，test）数据集

3.2 关于该class CF的进一步说明

里面其实已经很多注解了，特别要注意每个函数传入传出的数据格式。

否则肯定是跑不起来的

• D:/d/201709train.txt及test的数据格式和rating的数据格式一样

• formatRate函数将train、test转化 userDict或者itemDict

• 即每个人看了哪些电影及评分

  {userid1：[（movieId1，rating）,movieId2，rating）,...]
   userid2：[（movieId1，rating）,movieId2，rating）,...]
   .
   .
  }
  

• itemDict的格式也是类似，只是key是movieId

• 之所以转化成itemDict和MoveDict是因为后续运算过程中在进行相关运算时直接进行读取就可以

  (self.train_data, self.test_data) = (ratings[0], ratings[1])  # [UserID::MovieID::Rating::Timestamp]
  #传个class的数据是嵌套列表
  [
      [UserID::MovieID::Rating::Timestamp]
      [UserID::MovieID::Rating::Timestamp]
      ...
  ]
  

• formatuserDict函数就是依次把目标用户和other用户的数据转成向量，读取的是userDict；数据格式是

  [	[目标用户评分，other用户评分]
      [0.2, 1],
      [0, 0.4],
      [0.2, 0]
      ...
  ]
  

3.3 start3函数的调用顺序

1. 读入原始数据（movies和ratings），传给demo

2. 计算准确率、召回率：demo.getPrecision() 其内部调用

   • 调用getRecommand，处理train和test数据，返回推荐列表、共同评分用户集
   • 计算precision和recall

3. 简单方法计算预测评分：foreCast

计算Mae值：cal_Mae方法

4、最后

• 先补充这些吧，
• 很感谢那些联系我的伙伴吗。另外，很抱歉，没能给你们更多的帮助
• 一个是python，一个是算法本身，一个是数据。如果没有比较了解，一些疑问我真的不知该怎么回答。

作者：akufire
本文由博客一文多发平台 OpenWrite 发布！