Python 卷叶蛾和#x27；s评级

我有一个包含许多项的字典数据集，它是一组固定标准的评级（例如，3个标准）：

我必须找到最好的方法来定义与用户项最相似的项。 例如：

useritem = { "Criteria1" : 5, "Criteria2" : 2, "Criteria3" : 2 }

可能导致：

similarity = { "item1": 0.95, "item2": 0.17, "item3": 0.91 }

余弦相似性是实现这一点的一种方法吗？ 如果是这样的话，我发现scikit可以学习在python中实现这一点。如何将数据列中项目的字典转换为与余弦相似性一起使用

---

Tks

是的，余弦距离是找到类似项目的一个好指标，我相信它是推荐系统中最常用的指标

对于数据结构，我建议使用来保存数据集。它易于创建、灵活，并且可以轻松转换为numpy数组（

df.values

将为您提供内部numpy数组）

创建一个数据帧，如下所示

       Criteria1  Criteria2  Criteria3
item1          5          2          1
item2          0          1          5
item3          4          2          1

您可以使用sklearn的任何距离度量，使用数据帧

>> from sklearn.metrics.pairwise import cosine_similarity
>> cosine_similarity(pd.Series(useritem), df)
array([[ 0.98524468,  0.40967325,  0.98765833]])

注意：不推荐使用1d数组的余弦相似性，因此上面的代码会给您一个错误，因为useritem是

（3，）

shape。您可以使用

pd.Series（useritem）.values.reformate（1，-1）

将其重塑为更合适的

（1，3）

您可以使用它将DICT转换为形状[n_样本，n_特征]的特征矩阵，然后轻松地在其上应用余弦相似性

item1 = { "Criteria1" : 5, "Criteria2" : 2, "Criteria3" : 1 }
item2 = { "Criteria1" : 0, "Criteria2" : 1, "Criteria3" : 5 }
item3 = { "Criteria1" : 4, "Criteria2" : 2, "Criteria3" : 1 }

useritem = { "Criteria1" : 5, "Criteria2" : 2, "Criteria3" : 2 }

from sklearn.feature_extraction import DictVectorizer
from sklearn.metrics.pairwise import cosine_similarity

vectorizer = DictVectorizer(sparse=False)

inputData = vectorizer.fit_transform([item1, item2, item3])
toCheckData = vectorizer.transform([useritem])

similarity = cosine_similarity(inputData, toCheckData)
# Output: similarity
  array([[ 0.98524468],
         [ 0.40967325],
         [ 0.98765833]])

---

您可以使用来制作形状[n_样本，n_特征]的dicts-to-features矩阵，然后在其上轻松应用余弦相似性。谢谢@umutto。我已经实现了你的代码，大部分结果都是有意义的。但也有一些不一致的结果。例如，标准的值范围为0到4。对于用户项（1,1,0）和（4,4,0），给定的相似性为100%。这对余弦相似性有意义吗？我所期望的是（1,1,0）和（1,1,0）之间100%的相似性，以及（1,1,0）和（4,4,0）之间低于100%的相似性。@Paulog是的，余弦相似性只测量两个向量之间的角度，忽略了它们的大小。这是故意的，因为余弦相似性是为了捕捉内容而不是强度。这样想，

（1,1,0）

只是

（4,4,0）

的缩小版本。但我看到了你们的观点，你们的数据已经被缩放了，你们想看到更大的向量之间的差异，在这种情况下，你们可以使用向量的点积（简单，和余弦相似性相同，只是它包括幅度）或其他指标，如Jaccard（我相信它也使用幅度）在你回答之前，我已经检查了余弦相似性公式（是的，我应该在问：-）并且意识到它是基于矢量角度和方向的。查看sklearn.metrics.pairwise api，我发现了Bray–Curtis相异度量。在初步测试中，它使我的数据集得到了最好的结果，即使是Jaccard。非常感谢您的帮助。@paulofg很高兴我提供了帮助，很感谢您测试不同的指标并找到最佳匹配。这是很多人不能/不做的事情！谢谢@vivek kumar。我把你的建议和乌姆托的答案结合起来，用布雷-柯蒂斯的不同之处解决了我的问题。

>> from sklearn.metrics.pairwise import cosine_similarity
>> cosine_similarity(pd.Series(useritem), df)
array([[ 0.98524468,  0.40967325,  0.98765833]])

item1 = { "Criteria1" : 5, "Criteria2" : 2, "Criteria3" : 1 }
item2 = { "Criteria1" : 0, "Criteria2" : 1, "Criteria3" : 5 }
item3 = { "Criteria1" : 4, "Criteria2" : 2, "Criteria3" : 1 }

useritem = { "Criteria1" : 5, "Criteria2" : 2, "Criteria3" : 2 }

from sklearn.feature_extraction import DictVectorizer
from sklearn.metrics.pairwise import cosine_similarity

vectorizer = DictVectorizer(sparse=False)

inputData = vectorizer.fit_transform([item1, item2, item3])
toCheckData = vectorizer.transform([useritem])

similarity = cosine_similarity(inputData, toCheckData)
# Output: similarity
  array([[ 0.98524468],
         [ 0.40967325],
         [ 0.98765833]])