基于标签的推荐系统学习（1）

最近看一些推荐系统的东西。比较感兴趣的是基于标签的推荐系统。也就是通过用户的标签行为建立起用户和目标物品的联系，从而挖掘用户的兴趣或者是尽兴定向的推荐。

一个用户的标签行为一般由一个三元组组成<用户，物品，标签>(<u,i,b>)即用户u给物品i打上了b标签。

一个简单的基于标签的推荐系统可以通过如下步骤实现：

1.统计每个用户最常用标签；

2.对于每个标签，统计被打过这个标签次数最多的物品；

3.对于一个用户，找到他常用的标签，从而找到具有这些标签的热门物品进行推荐。

从而可以得到用户u对于物品i的兴趣公式：

假设用records来表示来存储标签数据的三元组，即records[i]=[user, item, tag]

user_tags存储用户u打过标签b的次数，即user_tags[u][b]=n;

tag_items存储物品i被打过标签b的次数，即tag_item[b][i]=n;

user_items存储用户所打过标签的物品，即user_items[u][i]=n;

#coding: UTF-8
import random
#统计各类数量
def addValueToMat(theMat,key,value,incr):
if key not in theMat: #如果key没出先在theMat中
theMat[key]=dict();
theMat[key][value]=incr;
else:
if value not in theMat[key]:
theMat[key][value]=incr;
else:
theMat[key][value]+=incr;#若有值，则递增

user_tags = dict();
tag_items = dict();
user_items = dict();
user_items_test = dict();#测试集数据字典

#初始化，进行各种统计
def InitStat():
data_file = open('xxx.dat')
line = data_file.readline();
while line:
if random.random()>0.1:#将90%的数据作为训练集，剩下10%的数据作为测试集
terms = line.split("\t");#训练集的数据结构是[user, item, tag]形式
user=terms[0];
item=terms[1];
tag=terms[2];
addValueToMat(user_tags,user,tag,1)
addValueToMat(tag_items,tag,item,1)
addValueToMat(user_items,user,item,1)
line = data_file.readline();
else:
addValueToMat(user_items_test,user,item,1)
data_file.close();
#推荐算法
def Recommend(usr):
recommend_list = dict();
tagged_item = user_items[usr];#得到该用户所有推荐过的物品
for tag_,wut in user_tags[usr].items():#用户打过的标签及次数
for item_,wit in tag_items[tag_].items():#物品被打过的标签及被打过的次数
if item_ not in tagged_item:#已经推荐过的不再推荐
if item_ not in recommend_list:
recommend_list[item_]=wut*wit;#根据公式
else:
recommend_list[item_]+=wut*wit;
return recommend_list