2019獨(dú)角獸企業(yè)重金招聘Python工程師標(biāo)準(zhǔn)>>>

crab-master/scikits/crab/recommenders/svd/classes.py

* 基于 knn/item_strategies/ItemsNeighborhoodStrategy?

計(jì)算基礎(chǔ)相似度，作為備選集

也可在初始化時(shí)，設(shè)置自定義的算法

* 基于 numpy

crab\model:過濾的模型

- 提供了 MatrixPreferenceDataModel,MatrixBooleanPrefDataModel 兩種模型

- MatrixPreferenceDataModel

輸入：

? ?{userID:{itemID:preference, itemID2:preference2},userID2:{itemID:preference3,itemID4:preference5}}

輸出：

調(diào)用 model.preferences_from_user('推薦對象的名稱')

返回如

? ?[('Lady in the Water', 3.0), ('Snakes on a Plane', 4.0), ('Superman Returns', 5.0),('The Night Listener', 3.0), ('You, Me and Dupree', 3.5)]

- MatrixBooleanPrefDataModel

直接就布爾了...

...

輸出：

? ? array(['Lady in the Water', 'Snakes on a Plane', 'Superman Returns','The Night Listener', 'You, Me and Dupree'],dtype='|S18')

crab\metrics:衡量的實(shí)現(xiàn)

- 提供算法：

cosine_distances, euclidean_distances, pearson_correlation,?

jaccard_coefficient, loglikehood_coefficient, manhattan_distances,?

sorensen_coefficient, spearman_coefficient

- 檢驗(yàn)的方法：

LeaveOneOut(留一逼近), LeavePOut, KFold, ShuffleSplit

crab\similarities:相似性計(jì)算

- 提供 ItemSimilarity, UserSimilarity

- ItemSimilarity：計(jì)算內(nèi)容之間的相似度

- UserSimilarity：定義兩個(gè)用戶間的相似度，它是基于協(xié)同過濾的推薦引擎的核心部分，可以用來計(jì)算用戶的“鄰居”

轉(zhuǎn)載于:https://my.oschina.net/kakablue/blog/265176

《新程序員》：云原生和全面數(shù)字化實(shí)踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的crab-源码-模型和算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。