基于杰拉德系数的用户电影评分相似度计算

本资源是一段Python脚本，主要涉及推荐系统中的协同过滤算法，用于计算用户之间的相似度并生成推荐。以下是详细的解读： 1. **数据导入与预处理**: - 使用`numpy`库中的`genfromtxt`函数分别读取三个文件：'u.data'、'u.user'和'u.item'。'u.data'用于获取用户对电影的评分数据，使用`\t`作为分隔符，数据类型为整数；'u.user'和'u.item'存储用户和电影的元数据，分别用'('|')'作为分隔符，'u.user'的数据类型为字符串。 - 通过`shape`属性计算用户数量（`number_users`）和电影数量（`number_movies`）。 2. **构建用户评分矩阵**: - 初始化一个全零矩阵`users_ratings`，形状为`(number_users, number_movies)`，用于存储用户对电影的评分。通过循环遍历'u.data'中的每一行，更新评分矩阵。 3. **计算用户相似度（杰拉德系数）**: - 使用杰拉德系数来衡量两个用户在评分行为上的相似性。它基于共享物品（电影）的数量和共同评分的总物品数量。首先，定义一个全单位矩阵`Sim`，然后对每个用户（从0到`number_users-1`）执行以下操作： - 找到用户i和j评分过的电影ID（`list1`和`list2`）。 - 计算共享电影数（交集大小`col1`）和总评分电影数（并集大小`col2`）。 - 杰拉德系数为共享电影数除以总电影数，即`col1/col2`。 - 更新`Sim`矩阵的对应元素，同时保持矩阵是对称的。 4. **对称化和标准化**: - 为了确保矩阵是对称的，将`Sim`矩阵与它的转置相加，然后减去对角线元素（自相似度）。 - 通过`np.save`函数将计算出的用户相似度矩阵（`Sim`）和用户评分矩阵（`users_ratings`）保存为`.npy`文件，以便后续分析或应用。 这段代码的核心目标是实现基于用户评分的协同过滤，通过计算用户间的相似度来预测用户可能对未评分电影的喜好，并可以用于个性化推荐。这种技术在很多在线平台如电影、音乐或电子商务网站上广泛使用。