crab-python的推荐系统

项目：

是一个发展中的推荐系统

http://www.oschina.net/p/crab

安装：

( 优先用easy_install )

* numpy

Q:遇到缺少vcvarsall.bat的问题

A: 当已经安装了vs20xx时，可设置环境变量

SET VS90COMNTOOLS=%VS100COMNTOOLS%

Q:遇到各种编译错误

A：直接上win的安装版，注意和python版本对应

http://sourceforge.net/projects/numpy/files/NumPy/

* Scipy

直接上win的安装版，注意和python版本对应

http://sourceforge.net/projects/scipy/files/Scipy

* scikits.learn

依赖numpy

* matplotlib

为了构建文档和一些示例代码

依赖较多，可跳过

* crab

easy_install安装效果不好，import scikits.crab提示找不到

改在 https://github.com/muricoca/crab 下载源码包，用python setup.py install 安装

(在linux下也是同样情况)

----------------------------------

* 测试

保存为文件，直接python执行即可

#!/usr/bin/env python
#coding=utf-8   


def base_demo():
	# 基础数据-测试数据
	from scikits.crab import datasets
	movies = datasets.load_sample_movies()
	#print movies.data
	#print movies.user_ids
	#print movies.item_ids

	#Build the model
	from scikits.crab.models import MatrixPreferenceDataModel
	model = MatrixPreferenceDataModel(movies.data)

	#Build the similarity
	# 选用算法 pearson_correlation
	from scikits.crab.metrics import pearson_correlation
	from scikits.crab.similarities import UserSimilarity
	similarity = UserSimilarity(model, pearson_correlation)

	# 选择 基于User的推荐
	from scikits.crab.recommenders.knn import UserBasedRecommender
	recommender = UserBasedRecommender(model, similarity, with_preference=True)
	print recommender.recommend(5)	# 输出个结果看看效果 Recommend items for the user 5 (Toby)

	# 选择 基于Item 的推荐(同样的基础数据，选择角度不同)
	from scikits.crab.recommenders.knn import ItemBasedRecommender
	recommender = ItemBasedRecommender(model, similarity, with_preference=True)
	print recommender.recommend(5)	# 输出个结果看看效果 Recommend items for the user 5 (Toby)

def itembase_demo():
    from scikits.crab.models.classes import MatrixPreferenceDataModel
    from scikits.crab.recommenders.knn.classes import ItemBasedRecommender
    from scikits.crab.similarities.basic_similarities import ItemSimilarity
    from scikits.crab.recommenders.knn.item_strategies import ItemsNeighborhoodStrategy
    from scikits.crab.metrics.pairwise import euclidean_distances
    movies = {
			'Marcel Caraciolo': \
				{'Lady in the Water': 2.5, 'Snakes on a Plane': 3.5, 'Just My Luck': 3.0, 'Superman Returns': 3.5, 'You, Me and Dupree': 2.5, 'The Night Listener': 3.0}, \
			'Paola Pow': \
				{'Lady in the Water': 3.0, 'Snakes on a Plane': 3.5, 'Just My Luck': 1.5, 'Superman Returns': 5.0, 'The Night Listener': 3.0, 'You, Me and Dupree': 3.5}, \
			'Leopoldo Pires': \
				{'Lady in the Water': 2.5, 'Snakes on a Plane': 3.0, 'Superman Returns': 3.5, 'The Night Listener': 4.0}, 
			'Lorena Abreu': \
				{'Snakes on a Plane': 3.5, 'Just My Luck': 3.0, 'The Night Listener': 4.5, 'Superman Returns': 4.0, 'You, Me and Dupree': 2.5}, \
			'Steve Gates': \
				{'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'Just My Luck': 2.0, 'Superman Returns': 3.0, 'The Night Listener': 3.0, 'You, Me and Dupree': 2.0}, \
			'Sheldom':\
				{'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'The Night Listener': 3.0, 'Superman Returns': 5.0, 'You, Me and Dupree': 3.5}, \
			'Penny Frewman': \
				{'Snakes on a Plane':4.5,'You, Me and Dupree':1.0, 'Superman Returns':4.0}, 'Maria Gabriela': {}
			}
    model = MatrixPreferenceDataModel(movies)
    items_strategy = ItemsNeighborhoodStrategy()
    similarity = ItemSimilarity(model, euclidean_distances)
    recsys = ItemBasedRecommender(model, similarity, items_strategy)
    
    print recsys.most_similar_items('Lady in the Water')
	#Return the recommendations for the given user.
    print recsys.recommend('Leopoldo Pires')
    #Return the 2 explanations for the given recommendation.
    print recsys.recommended_because('Leopoldo Pires', 'Just My Luck', 2)
	#Return the similar recommends
    print recsys.most_similar_items('Lady in the Water')
	#估算评分
    print recsys.estimate_preference('Leopoldo Pires','Lady in the Water')
	
	
base_demo()
itembase_demo()

推荐算法:

这里不细究算法本身，只介绍概念，方便理解crab的实现

* kNN算法

简单的分类/聚类算法，从训练集中找到和新数据最接近的k条记录，然后根据他们的主要分类来决定新数据的类别。

3个主要因素：训练集、距离或相似的衡量、k的大小

* SVD

带有社交因素，根据已有的评分情况，分析出评分者对各个因子的喜好程度以及电影包含各个因子的程度，最后再反过来根据分析结果预测评分

来源：oschina

链接：https://my.oschina.net/u/216880/blog/260749

标签

推荐系统