recommandation

语言

Python3.5

依赖库

pandas=0.21.0
numpy=1.13.1
pyspark=1.6.1

原理说明

推荐系统的原理在于计算用户对各个物品的期望，从而将高期望的物品推荐给用户。本人写的方法有：

物品的相似度矩阵:similar_matrix.py

原始数据为用户-物品是否购买的一个0-1矩阵(m*n)。通过计算物品两两间的相似度，从而得到物品的相似度矩阵(n*n)。相似度矩阵*用户-物品矩阵(即原始数据)，就可以得到用户已购买物品对未购买物品的一个权重求和，从而得到用户对每个物品的购买期望(m*n)*(n*n)=m*n的推荐矩阵

ALS矩阵分解:ALS.py

原始数据为用户-物品打分或者是否购买矩阵(m*n)。通过矩阵分解，将m*n的矩阵分解为m*k的用户矩阵和k*n的物品矩阵，(m*k)*(k*n)=m*n的推荐矩阵，从而从而得到用户对每个物品的购买期望(填充了原来的缺失值或0值）。ALS的使用范围要大于相似度矩阵，且精确性要更高，矩阵分解可以直观的得到用户特征和物品特征。

ALS矩阵分解在pyspark上有现成模块:mllib_recommandation

SVD矩阵分解:Recommandation_SVD

原始数据为用户-物品打分或者是否购买矩阵(m*n)。通过矩阵分解，将m*n的矩阵分解为m*m的用户矩阵、m*n的特征矩阵和n*n的物品矩阵。再降至k维，m*k的用户矩阵、k*k的特征矩阵和k*n的物品矩阵，(m*k)*(k*n)=m*n的推荐矩阵。通过用户购买向量*k*n的物品矩阵*k*k的特征矩阵的逆得到空间位置，求得余弦相似度、欧氏距离等来查询相似用户和相近产品