本次课程作业在small-movielens数据集的基础上，对用户、电影、评分数据进行了处理，然后根据Pearson相关系数计算出用户与其他用户之间的相似度，根据相似度进行推荐和预测评分，最后再根据数据集中的测试数据，计算该推荐系统的MAE等。
数据集来源于MovieLens|GroupLens网站。完整的数据集是由943个用户对1682个项目的100000个评分组成。每位用户至少对20部电影进行了评分。用户和项从1开始连续编号。数据是随机排列的。这是一个以选项卡分隔的：用户id|项id|分级|时间戳列表。从1970年1月1日UTC开始，时间戳是unix时间戳。在这些数据集的基础上，small-movielens还包括u1-u5，ua，ub等七组测试集(*.base)/训练集(*.test)数据。其中，u1-u5是以8:2的比例随机生成互斥的训练集和测试集；ua、ub是按照9:1的比例随机生成的互斥的训练集和测试集，不同的是，这两组数据的测试集中每个用户是对正好10部不同电影进行了评分。数据集如下图所示。
- users :保存所有用户，不重复
list类型
存储结构：[user1, user2,...] - userWatchedMovie :保存所有用户看过的所有电影，字典嵌套字典类型
存储结构：{user1:{movie1:rating1, movie2:rating2, ...}, user2:{...},...} - movieUser :保存用户与用户之间共同看过的电影，字典嵌套字典嵌套
list
存储结构：{user1:{user2:[movie1,...],user3:[...],...},user2:{user3:[...],...},...} - userSimilarity :保存用户与用户之间的相似度（皮尔逊相似度）
存储结构：{user1:{user2:sim, user3:sim,...}, user2:{user3:sim, ...}, ...} - allUserTopNSim :保存每个用户都取前
n=10个最相似的用户，以及相似度
存储结构：{user1:{user01:sim,user02:sim,...},user2:{user01:sim,...},...} - recommendedMovies :从最相似的用户中推荐，每个相似用户推荐两部，同时计算出预测值并保存在这个变量里
存储结构：{user1:{user01:{movie01:predictionRating,...},user02:[...],...},user2:{user01:[...],...},...} - usersTest :测试集文件中的所有用户
存储结构：同users - userWatchedMovieTest :测试集文件中所有用户看过的所有电影
存储结构：同userWatchedMovie - movieAlsoInTest :保存推荐的电影正好也在用户测试数据中看过的那一些电影，以便后面进行MAE计算
存储结构：{user1:[movie1,movie2,...],...} - averageRating :保存每个用户对被推荐的电影的预测平均分
存储结构：{user1:{movie01:[count,sumPreRating,averageRating],...},...} - eachUserMAE :保存对每个用户而言计算出的
MAE
存储结构：{user1:MAE,user2:MAE,...}
-
首先对数据进行处理，可以看到原始数据文件
u1.base中的数据如下图所示
数据是由(userId, movieId, rating,timestamp)四个部分组成，我们这里使用的是前三个数据属性。用变量users保存所有的用户ID,userWatchedMovie保存所有的用户看过的所有的电影
然后是对测试数据文件的读取，同上面做类似的处理 -
计算用户与用户之间共同看过的电影
-
计算用户与用户之间的相似度
在这个部分我们利用Pearson相关系数计算出两两用户之间的相似度avgUserA = 0 avgUserB = 0 numerator = 0 denominatorA = 0 denominatorB = 0 count = len(movieUser[a][b]) factor = 0 if count > 20: factor = 1.0 else: if count < 0: factor = 0 else: factor = (-0.0025 * count * count) + (0.1 * count) for movie in movieUser[a][b]: avgUserA += float(userWatchedMovie[a][movie]) avgUserB += float(userWatchedMovie[b][movie]) avgUserA = float(avgUserA / count) avgUserB = float(avgUserB / count) for m in movieUser[a][b]: tempA = float(userWatchedMovie[a][m]) - avgUserA tempB = float(userWatchedMovie[b][m]) - avgUserB numerator += tempA * tempB denominatorA += pow(tempA, 2) * 1.0 denominatorB += pow(tempB, 2) * 1.0 if denominatorA != 0 and denominatorB != 0: userSimilarity[a][b] = factor * (numerator / (sqrt(denominatorA * denominatorB))) else: userSimilarity[a][b] = 0 -
每个用户都取前
n个最相似的用户，以便后续进行推荐，例如n=10for compareUserId in users: if currentUserId == compareUserId: break else: singleUserSim[compareUserId] = userSimilarity[compareUserId][currentUserId] if int(currentUserId) != len(users): singleUserSim.update(userSimilarity[currentUserId]) singleSortedSim = sorted(singleUserSim.items(), key=lambda item: item[1], reverse=True) singleTopN = singleSortedSim[:n] for single in singleTopN: allUserTopNSim[currentUserId][single[0]] = single[1]
-
从最相似的用户中推荐number部电影，例如每个相似用户推荐两部，那么每个用户就能得到推荐的
20部电影if movie not in userWatchedMovie[oneUser].keys(): if int(oneUser) < int(simUser): length = len(movieUser[oneUser][simUser]) sumOne = 0.0 sumSim = 0.0 for i in movieUser[oneUser][simUser]: sumOne += userWatchedMovie[oneUser].get(i) sumSim += userWatchedMovie[simUser].get(i) sumSim += userWatchedMovie[simUser].get(movie) avgOneUser = sumOne / length avgSimUser = sumSim / (length + 1) predictionRating = avgOneUser + (userWatchedMovie[simUser][movie] - avgSimUser) recommendedMovies[oneUser][simUser][movie] = predictionRating number += 1
-
从推荐的电影和测试集中找到一起看过的电影
movieAlsoInTest = {} for oneUser in usersTest: movieAlsoInTest.setdefault(oneUser, []) for simUser in recommendedWithRating[oneUser].keys(): for movie in recommendedWithRating[oneUser][simUser].keys(): if movie in userWatchedMovieTest[oneUser].keys(): movieAlsoInTest[oneUser].append(movie) else: continue
-
计算每个用户被推荐的每部电影的次数和平均分
averageRating = {} for oneUser in usersTest: averageRating.setdefault(oneUser, {}) for simUser in recommendedWithRating[oneUser].keys(): for movie in recommendedWithRating[oneUser][simUser].keys(): averageRating[oneUser].setdefault(movie, [0, 0.0, 0.0]) averageRating[oneUser][movie][0] += 1 averageRating[oneUser][movie][1] += recommendedWithRating[oneUser][simUser].get(movie) for each in averageRating[oneUser].keys(): verageRating[oneUser][each][2] = averageRating[oneUser][each][1] / averageRating[oneUser][each][0]
-
计算
MAEeachUserMAE = {} for oneUser in averageRating.keys(): count = 0 sumD = 0.0 eachUserMAE.setdefault(oneUser, 0.0) for movie in movieAlsoInTest[oneUser]: count += 1 sumD += abs(averageRating[oneUser][movie][2] - userWatchedMovieTest[oneUser].get(movie)) if count == 0: eachUserMAE[oneUser] = -1 else: eachUserMAE[oneUser] = sumD / count
recommendedMAE = 0.0 countMAE = 0 for oneUser in eachUserMAE.keys(): if eachUserMAE[oneUser] != -1: countMAE += 1 recommendedMAE += eachUserMAE[oneUser] recommendedMAE = recommendedMAE / countMAE
另外可以引入预测准确度或者说命中率 -
实验结果
笔者对u1-u5以及ua-ub数据集中的数据分别进行了实验测试，并统计出如下结果
从表格中可以看出，不同的因素会对推荐系统的MAE造成不同程度的影响，考虑到图片表格中的数据还并不是很直观，所以我们把上图表格中的部分数据抽取出来进行更为直观的比较。笔者主要从两个变量上考虑了对系统MAE的影响：最相似用户数量TOPN和推荐的电影数AMOUNT。笔者在不同的测试集下针对这两个变量做了相关的实验，结果如下表以及下图所示。AMOUNT u1 u4 ub 1 0.875733 0.880698 0.957882 2 0.822871 0.818759 0.901364 3 0.795623 0.825441 0.89594 4 0.782709 0.828352 0.863475 5 0.806841 0.803826 0.856949 6 0.815769 0.813643 0.839806 7 0.799495 0.811279 0.825822 8 0.808569 0.815092 0.793608 
在这里，最相似用户数是不变的，即TOPN=10
接下来，让AMOUNT=5作为固定值，比较了不同TOPN对系统MAE的影响，结果如下所示。TOPN u1 u4 5 0.83006 0.866108 10 0.806841 0.803826 15 0.805935 0.800955 20 0.795955 0.797959 25 0.794347 0.795494 
一些考虑：
在给用户推荐的电影数AMOUT不变的情况下，TOPN越大，好像MAE会越小，甚至会比0.75要低，当然到一定程度大小后（>50），会出现错误。有如下猜测：
[A] 推荐算法本身的性能问题
[B] 相似性计算的其他约束性条件未考虑
[C] 数据集过小，电影的总数量和用户总数量过少(笔者尝试将更大数据集（>100M）分成训练集和测试集，遗憾的是没有成功，对python数据操作还不熟悉)
[D] 用户看过的电影数量过少等
@Date : 2019/4/1
@Author : Freator Tang
@Email : bingcongtang@gmail.com