AboutThisSite › Me2DayProjectHkim › z한글 › SocialNetworkServices › UncertainReductionTheory › BuildingRecommendationSystem
스마트 TV앱의 사용자: a, b, c, d, e, f, g, i
영화에 대한 평: ManOfSteel, TheConjouring, WeAreWhat, TheUsOfLeland, TheWayBack, MonsterUniv
가정: 사용자 i가 접속하여 영화를 검색하고 있고, 이 사용자와 관련이 있는 영화를 추천하려고 함.
영화에 대한 평: ManOfSteel, TheConjouring, WeAreWhat, TheUsOfLeland, TheWayBack, MonsterUniv
가정: 사용자 i가 접속하여 영화를 검색하고 있고, 이 사용자와 관련이 있는 영화를 추천하려고 함.
아래는 사용자가 영화에 대한 평을 한 것을 정리한 데이터
i가 보지 않은 영화는 ManOfSteel, WeAreWhat, MonsterUniv 인데, 이 중에서 어떤 영화가 가장 i가 좋은 평가를 할 것 같은 영화인가?
i가 보지 않은 영화는 ManOfSteel, WeAreWhat, MonsterUniv 인데, 이 중에서 어떤 영화가 가장 i가 좋은 평가를 할 것 같은 영화인가?
ManOfSteel | TheConjouring | WeAreWhat | TheUsOfLeland | TheWayBack | MonsterUniv | |
a | 5 | 7 | 6 | 7 | 5 | 8 |
b | 6 | 7 | 3 | 10 | 7 | 6 |
c | 5 | 6 | 7 | 8 | ||
d | 5 | 6 | 8 | 4 | 8 | |
e | 8 | 7 | 3 | 6 | 4 | 5 |
f | 6 | 8 | 10 | 7 | 6 | |
i | 9 | 8 | 2 |
데이터 분석을 위해서 원래 데이터를 transpose (치환) 함 (실제 programming implementation에서는 불필요할 수도 있음).
a | b | c | d | e | f | i | |
ManOfSteel | 5 | 6 | 5 | 8 | 6 | ||
TheConjouring | 7 | 7 | 6 | 5 | 7 | 8 | 9 |
WeAreWhat | 6 | 3 | 6 | 3 | |||
TheUsOfLeland | 7 | 10 | 7 | 8 | 6 | 10 | 8 |
TheWayBack | 5 | 7 | 4 | 4 | 7 | 2 | |
MonsterUniv | 8 | 6 | 8 | 8 | 5 | 6 |
상관관계표
a | b | c | d | e | f | i | |
a | 1 | 0.219 | 0.923 | 0.784 | 0 | 0.245 | 0.991 |
b | 0.219 | 1 | 0.205 | 0.245 | 0.45 | .964** | 0.381 |
c | 0.923 | 0.205 | 1 | 0.866 | -1.000** | 0.135 | -1.000** |
d | 0.784 | 0.245 | 0.866 | 1 | 0.177 | 0.213 | 0.592 |
e | 0 | 0.45 | -1.000** | 0.177 | 1 | 0 | 0.98 |
f | 0.245 | .964** | 0.135 | 0.213 | 0 | 1 | 0.663 |
i | 0.991 | 0.381 | -1.000** | 0.592 | 0.98 | 0.663 | 1 |
사용자 i와 다른 사용자들과의 상관관계표 --> i와 얼마나 같이 가는가?를 보여주는 지표
i | |
a | 0.991 |
b | 0.381 |
d | 0.592 |
e | 0.98 |
f | 0.663 |
다른 사용자들이 평가한 i가 관람하지 않은 영화에 대한 평
r * e(valuation) = 상관관계계수 * 평가값
I | ManOfSteel | r * e | WeAreWhat | r * e | MonsterUniv | r * e | |
a | 0.991 | 5 | 4.955 | 6 | 5.946 | 8 | 7.928 |
b | 0.381 | 6 | 2.286 | 3 | 1.143 | 6 | 2.286 |
d | 0.592 | 6 | 3.552 | 8 | 4.736 | ||
e | 0.98 | 8 | 7.84 | 3 | 2.94 | 5 | 4.9 |
f | 0.663 | 6 | 3.978 | 6 | 3.978 |
Sum(r*e) --> 이 값을 사용할 수도 있음. 그러나, 이 값은 평가를 많이 받지 못한 영화의 점수가 낮아지는 단점이 있음.
따라서, Sum(r)값을 구해 봄 (평가된 영화에 해당하는 r값을 더한 값)
Sum/rSum --> 이 값을 추천에 사용!
혹은 Sum/Count(e) 값을 사용할 수도 있음. (Count(e) = evaluation된 숫자)
혹은 . . . .
I | ManOfSteel | WeAreWhat | MonsterUniv | ||||||
a | 0.991 | 5 | 4.955 | 6 | 5.946 | 8 | 7.928 | ||
b | 0.381 | 6 | 2.286 | 3 | 1.143 | 6 | 2.286 | ||
d | 0.592 | 6 | 3.552 | 8 | 4.736 | ||||
e | 0.98 | 8 | 7.84 | 3 | 2.94 | 5 | 4.9 | ||
f | 0.663 | 6 | 3.978 | 6 | 3.978 | ||||
Sum(r*e) | 19.059 | 13.581 | 23.828 | ||||||
Sum(r) | 3.015 | 2.944 | 3.607 | ||||||
Sum(r*e)/Sum(r) | 6.321393035 | 4.613111413 | 6.606043804 | ||||||
Sum/Count(e) | 4.76475 | 3.39525 | 4.7656 |
Sum/Sum(1-r) 를 이용.
논리: i와 상관관계가 높은 사람의 점수에 무게를 주기 위해서 (1-r) 값을 사용함. i와 상관관계가 많은 사람이 있을 수록 분모의 값이 작아지도록 함.
논리: i와 상관관계가 높은 사람의 점수에 무게를 주기 위해서 (1-r) 값을 사용함. i와 상관관계가 많은 사람이 있을 수록 분모의 값이 작아지도록 함.
r | 1-r | ManOfSteel | WeAreWhat | MonsterUniv | ||||
a | 0.991 | 0.009 | 5 | 4.955 | 6 | 5.946 | 8 | 7.928 |
b | 0.381 | 0.619 | 6 | 2.286 | 3 | 1.143 | 6 | 2.286 |
d | 0.592 | 0.408 | 6 | 3.552 | 8 | 4.736 | ||
e | 0.98 | 0.02 | 8 | 7.84 | 3 | 2.94 | 5 | 4.9 |
f | 0.663 | 0.337 | 6 | 3.978 | 6 | 3.978 | ||
Sum(r*e) | 19.059 | 13.581 | 23.828 | |||||
Sum(r) | 3.015 | 2.944 | 3.607 | |||||
Sum(r*e)/Sum(r) | 6.321393035 | 4.613111413 | 6.606043804 | |||||
Sum(1-r) | 0.985 | 1.056 | 1.393 | |||||
Sum/Sum(1-r) | 19.34923858 | 12.86079545 | 17.10552764 |
Python ¶
- install python 2.xx
# A dictionary of movie critics and their ratings of a small # set of movies critics={ 'a': {'ManOfSteel': 5, 'TheConjouring': 7, 'WeAreWhat': 6, 'TheUsOfLeland': 7, 'TheWayBack': 5, 'MonsterUniv': 8}, 'b': {'ManOfSteel': 6, 'TheConjouring': 7, 'WeAreWhat': 3, 'TheUsOfLeland': 10, 'TheWayBack': 7, 'MonsterUniv': 6}, 'c': {'ManOfSteel': 5, 'TheConjouring': 6, 'TheUsOfLeland': 7, 'MonsterUniv': 8}, 'd': { 'TheConjouring': 5, 'WeAreWhat': 6, 'TheUsOfLeland': 8, 'TheWayBack': 4, 'MonsterUniv': 8}, 'e': {'ManOfSteel': 8, 'TheConjouring': 7, 'WeAreWhat': 3, 'TheUsOfLeland': 6, 'TheWayBack': 4, 'MonsterUniv': 5}, 'f': {'ManOfSteel': 6, 'TheConjouring': 8, 'TheUsOfLeland': 10, 'TheWayBack': 7, 'MonsterUniv': 6}, 'i': { 'TheConjouring': 9, 'TheUsOfLeland': 8, 'TheWayBack': 2}, }
C:\Users\Hyo\CloudStation\Classes\2013-fall\DBNM\Rec py Python 2.4.1 (#65, Mar 30 2005, 09:13:57) [MSC v.1310 32 bit (Intel)] on win32 Type "help", "copyright", "credits" or "license" for more information. >>> >>> from recommendations import critics >>> critics['a']['WeAreWhat'] 6 >>> critics['i']['TheConjouring']=9 >>> critics['i'] {'TheWayBack': 2, 'TheConjouring': 9, 'TheUsOfLeland': 8} >>>
[JPG image (47.47 KB)]
i~a
i~e
i~f
i~e
i~f
>>> from math import sqrt >>> sqrt(pow(8-7,2)+pow(9-7,2)) 2.23606797749979
>>> sqrt(pow(8-6,2)+pow(9-7,2)) 2.8284271247461903
>>> 1/(1+sqrt(pow(8-7,2)+pow(9-7,2))) 0.3090169943749474
from math import sqrt # Returns a distance-based similarity score for person1 and person2 def sim_distance(prefs,person1,person2): # Get the list of shared_items si={} for item in prefs[person1]: if item in prefs[person2]: si[item]=1 # if they have no ratings in common, return 0 if len(si)==0: return 0 # Add up the squares of all the differences sum_of_squares=sum([pow(prefs[person1][item]-prefs[person2][item],2) for item in prefs[person1] if item in prefs[person2]]) return 1/(1+sum_of_squares)
>>> reload(rec2) >>> print rec2.sim_pearson(rec2.critics,'a','i')
>> reload(rec2) >> rec2.topMatches(rec2.critics,'i',n=3)