学步园

准备数据：（本笔记的代码使用ruby实现，python代码的实现见原书）

Ruby代码 

1. critics={  
2.     'Lisa Rose' => {'Lady in the Water' => 2.5, 'Snakes on a Plane' => 3.5,  
3.     'Just My Luck' => 3.0, 'Superman Returns' => 3.5, 'You, Me and Dupree' => 2.5,  
4.     'The Night Listener' => 3.0},  
5.   
6.     'Gene Seymour' => {'Lady in the Water' => 3.0, 'Snakes on a Plane' => 3.5,  
7.     'Just My Luck' => 1.5, 'Superman Returns' => 5.0, 'The Night Listener'=> 3.0,  
8.     'You, Me and Dupree' => 3.5},  
9.   
10.     'Michael Phillips' => {'Lady in the Water' => 2.5, 'Snakes on a Plane' => 3.0,  
11.     'Superman Returns' => 3.5, 'The Night Listener' => 4.0},  
12.   
13.     'Claudia Puig' => {'Snakes on a Plane' => 3.5, 'Just My Luck' => 3.0,  
14.     'The Night Listener' => 4.5, 'Superman Returns' => 4.0,  
15.     'You, Me and Dupree' => 2.5},  
16.   
17.     'Mick LaSalle'=> {'Lady in the Water' => 3.0, 'Snakes on a Plane' => 4.0,  
18.     'Just My Luck' => 2.0, 'Superman Returns' => 3.0, 'The Night Listener' => 3.0,  
19.     'You, Me and Dupree' => 2.0},  
20.   
21.     'Jack Matthews'=> {'Lady in the Water' => 3.0, 'Snakes on a Plane' => 4.0,  
22.     'The Night Listener'=> 3.0, 'Superman Returns'=> 5.0, 'You, Me and Dupree' => 3.5},  
23.   
24.     'Toby' => {'Snakes on a Plane' =>4.5,'You, Me and Dupree' =>1.0,'Superman Returns' => 4.0}  
25. }  

定义相似度:

欧拉距离：

代码实现：

Ruby代码 

1. def sim_distance(prefs,person1,person2)  
2.     si = {}  
3.     prefs[person1].each_key do |item|  
4.         si[item] = 1 if prefs[person2][item]  
5.     end  
6.       
7.     return 0 if si.empty?  
8.       
9.     sum_of_squares = si.keys.inject(0) do |sum,item|  
10.         sum + (prefs[person1][item] - prefs[person2][item]) ** 2  
11.     end  
12.     
13.     return 1 / (1 + sum_of_squares)  
14. end  

 Pearson Correlation Score：

代码实现：

Ruby代码 

1. def sim_pearson(prefs,person1,person2)  
2.     si = {}  
3.     prefs[person1].each_key do |item|  
4.         si[item] = 1 if prefs[person2][item]  
5.     end  
6.     
7.     return 0 if si.empty?  
8.     
9.     sum1 = si.keys.inject(0){|sum,item| sum + prefs[person1][item]}  
10.     sum2 = si.keys.inject(0){|sum,item| sum + prefs[person2][item]}  
11.       
12.     sum1Sq = si.keys.inject(0){|sum,item| sum + prefs[person1][item] ** 2}  
13.     sum2Sq = si.keys.inject(0){|sum,item| sum + prefs[person2][item] ** 2}  
14.       
15.     pSum = si.keys.inject(0){|sum,item| sum + prefs[person1][item] * prefs[person2][item]}  
16.     num = pSum - (sum1 * sum2 / si.size)  
17.     den = Math.sqrt((sum1Sq - sum1 ** 2 / si.size) * (sum2Sq - sum2 ** 2 / si.size))  
18.     return (if den == 0 then 0 else num/den end)  
19. end  

 根据前面的两个相似度的函数，我们可以计算和你相同电影的口味的top N了： 

Ruby代码 

1. def top_matches(prefs,person,n=5,similarity="sim_pearson")  
2.     scores = []  
3.     #计算相似度  
4.     prefs.each_key{|other|  scores << eval("[#{similarity}(prefs,person,other),other]")  if other != person}  
5.     #返回相似读最高的人  
6.     return scores.sort.reverse[0...n]  
7. end  

下面我们看看如何推荐你没有看过的电影，我们平时的想法是，如果这部电影 
大家评论很好，我们就认为值得我们看，但是你的口味可能和这些评论很高的 
的人不同，所以和你口味相似的人评论很高的电影，推荐给你效果会很好。 
我们这样虽然一个人对一部电影的评价很高，但是由于他和你的口味不同，那么 
这个评价对于你的贡献也不会太多。结合相似度和评价的一种方法是： 
相似度与评价的成绩作为这个电影评论的一个贡献，同时为了避免评论的人越多 
最终的总分越高，可以用这个公式： 
所有人（相似度与评论分的成绩） 之和 / 相似度之和，于是我们可以得到如下 
代码： 

Ruby代码 

1. def get_recommendations(prefs,person,similarity='sim_pearson')  
2.     totals = {}  
3.     simSums = {}  
4.     prefs.each_key do |other|  
5.         #跳过自己  
6.         next if person == other  
7.         sim = eval("#{similarity}(prefs,person,other)")  
8.         #去掉similarity为0的人  
9.         next if sim <= 0  
10.           
11.         prefs[other].each_key do |item|  
12.             if (not prefs[person][item]) or (prefs[person][item] == 0) then  
13.                 #计算相似度和评论的成绩之和  
14.                 totals[item] = if totals[item] then   
15.                                   totals[item] + prefs[other][item] * sim   
16.                                 else   
17.                                   prefs[other][item] * sim  
18.                                 end  
19.                 #相似度之和  
20.                 simSums[item] = if simSums[item] then  
21.                                     simSums[item] + sim  
22.                                 else  
23.                                     sim  
24.                                 end  
25.             end