Python协同过滤算法怎么用

本篇内容介绍了“Python协同过滤算法怎么用”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！对上面的数据作一下调整，按用户排列用户 评分 物品（BookId）再计算物品和物品的共现矩阵中的每一个元素1001和1002,同时被Liu Yi和Li Si两个用户购买,所以其共现值为21001和1003,同时被Liu Yi, Zhang San和Li Si三个用户购买,所以其共现值为31001和1004,同时被Liu Yi和Zhang San两个用户购买,所以其共现值为21001和1005,只同时被Liu Yi购买, 所以其共现值为11002和1003,同时被Liu Y免费云主机、域名i和Li Si两个用户购买,所以其共现值为21002和1004,只同时被Liui Yi购买, 所以其共现值为11002和1005,只同时被Liui Yi购买, 所以其共现值为11003和1004,同时被Liu Yi和Zhang San两个用户购买,所以其共现值为21003和1005,只同时被Liui Yi购买, 所以其共现值为11004和1005,只同时被Liui Yi购买, 所以其共现值为1最终,得到的共现矩阵为购买1001的有Liu Yi, Chen Er, Zhang San和Li Si购买1002的有Liu Yi和Li Si购买1003的有Liu Yi, Zhang San和Li Si购买1004的有Liu Yi和Zhang San购买1005的有Liu Yi两个物品余弦相似度的计算公式为： 根据此公式，1001与1002的相似度为2 / sqrt(4 * 2) = 0.7071001与1003的相似度为3 / sqrt(4 * 3) = 0.8661001与1004的相似度为2 / sqrt(4 * 2) = 0.7071001与1005的相似度为1 / sqrt(4 * 1) = 0.51002与1003的相似度为2 / sqrt(2 * 3) = 0.8161002与1004的相似度为1 / sqrt(2 * 2) = 0.51002与1005的相似度为1 / sqrt(2 * 1) = 0.7071003与1004的相似度为2 / sqrt(3 * 2) = 0.8161003与1005的相似度为1 / sqrt(3 * 1) = 0.5771004与1005的相似度为1 / sqrt(2 * 1) = 0.707所以，相似度矩阵为假设取K=3(1) 对于Li Si买过的1001来说，相似度排在前3名的物品和评分为：1003，0.8661002，0.7071004，0.707这三个物品中，只有1004是Li Si不曾买过的，其推荐值为1004与1001的相似度 * Li Si对1001的评分 = 0.707 * 3 = 2.121(2) 对于Li Si买过的1002来说，相似度排在前3名的物品和评分为：1003，0.8161001，0.7071005，0.707这三个物品中，只有1005是Li Si不曾买过的，其推荐值为1005与1002的相似度 * Li Si对1002的评分 = 0.707 * 4 = 2.828(3) 对于Li Si买过的1003来说，相似度排在前3名的物品和评分为：1001，0.8661002，0.8161004，0.816这三个物品中，只有1004是Li Si不曾买过的，其推荐值为1004与1003的相似度 * Li Si对1003的评分 = 0.816 * 5 = 4.08综上，可以给Li Si推荐的书为代码：运行结果：“Python协同过滤算法怎么用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注云技术网站，小编将为大家输出更多高质量的实用文章！

相关推荐: css3如何实现围绕圆心公转

这篇“css3如何实现围绕圆心公转”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“css3如何实现围绕圆心公转”文章吧。 css3实现围绕圆心公转…