如何用深度学习推荐电影？教你做自己的推荐系统！

sparsity = float(len(ratings.nonzero()[0])) 
sparsity /= (ratings.shape[0] * ratings.shape[1]) 
sparsity *= 100

当菲缡宇（entry）只有1.40%的时刻评级矩阵是稀少的。如今，为了练习和测试，我们将评分矩阵分化成两个较小的矩阵。我们大年夜评分矩阵中删除了10个评分，把它们放入测试集。

train_matrix = rating_matrix.copy() 
test_matrix = np.zeros(ratings_matrix.shape) 
for i in xrange(rating_matrix.shape[0]): 
rating_idx = np.random.choice( 
rating_matrix[i, :].nonzero()[0], 
size=10, 
WordStr=True) 
train_matrix[i, rating_idx] = 0.0 
test_matrix[i, rating_idx] = rating_matrix[i, rating_idx]

根据以下公式计算用户/片子中的（余弦Cosine) 类似性

这里s(u,v)是用户u和v之间的余弦类似度。

应用用户之间的类似性，我们能猜测每个用户对片子的评级，并计算出响应的MSE。该猜测基于类似用户的评分。特别地，可以根据以下公式进行打分猜测：

用户u对片子i的猜测，是用户v对片子的评分的（标准化的）加权和。权重为用户u和v的类似度。

from sklearn.metrics import mean_squared_error 
 
prediction = similarity_user.dot(train_matrix) / np.array([np.abs(similarity_user).sum(axis=1)]).T 
 
prediction = prediction[test_matrix.nonzero()].flatten() 
 
test_vector = test_matrix[test_matrix.nonzero()].flatten() 
 
mse = mean_squared_error(prediction, test_vector) 
 
print 'MSE = ' + str(mse)

猜测的MSE为9.8252。这个数字意味着什么？这个推荐体系是好是坏？仅仅看着MSE结不雅来评估猜测效不雅不是很相符直觉。是以，我们直接检查片子推荐来评估。我们将搜刮一个感兴趣的片子，并让电脑代劳来推荐几部片子。起重要获得响应的片子海报，如许就能看到都有什么片子被推荐。我们应用IMDB id,应用它的API大年夜Movie Database 网站获取海报。

import requests 
import json 
from IPython.display import Image 
from IPython.display import display 
from IPython.display import HTML 
idx_to_movie = {} 
for row in df_id.itertuples(): 
idx_to_movie[row[1]-1] = row[2] 
idx_to_movie 
k = 6 
idx = 0 
movies = [ idx_to_movie[x] for x in np.argsort(similarity_movie[idx,:])[:-k-1:-1] ] 
movies = filter(lambda imdb: len(str(imdb)) == 6, movies) 
n_display = 5 
URL = [0]*n_display 
IMDB = [0]*n_display 
i = 0 	
			 2/5   首页 上一页 1 2 3 4 5 下一页 尾页	
			

　　推荐阅读
　　如何使用WhatsApp收集大量数据（附脚本）
脚本下载
            
            【编辑推荐】亚信安然成功抵抗全球第一只勒索蠕虫WannaCry收集病毒入侵！国度网信安然中间教你如许做前端安然之XSS进击收集安然始创公司存活之道小议验证码的安然性及若何绕过【义>>>详细阅读


本文标题：如何用深度学习推荐电影？教你做自己的推荐系统！
地址：http://www.17bianji.com/lsqh/35259.html
 1/2    1