PCA实现一个简单的酒店推荐系统（附Python源码）

众所周知，PCA 的主要目的是降维，同时也可以起到分类的作用。当数据维度很大的时候，如果相信大部分变量之间存在线性关系，那么我们就希望降低维数，用较少的变量来抓住大部分的信息。（一般来讲做PCA 之前要做normalization 使得变量中心为0，而且方差为1.）比较广泛应用于图像识别，文档处理，推荐系统等。

推荐系统

如果一个旅游网站里面有10000000 个注册用户，以及100 个注册酒店. 网站有用户通过本网站点击酒店页面的记录信息.A = [Aij ]10000000100,Aij 表示第i 个用户点击j 酒店的次数.

问题：

如何评价酒店之间的相似度？

给定一个酒店，请找出与它最相似的其他几个酒店？

如果要给酒店分类，有什么办法?

生成100000x100的用户-酒店行为数据

import pandas as pd

import numpy as np

#prepare data set, suppose there are 5 types of hotels

generatorNum=5

hotelNum=100

customerNum=100000



generators = np.random.randint(5, size=(customerNum, generatorNum))

hotelComp=np.random.random(size=(generatorNum, hotelNum)) - 0.5

hotelRating = pd.DataFrame(generators.dot(hotelComp),index=['c%.6d'%i for i in range(100000)]

                         ,columns = ['hotel_%.3d'%j for j in range(100)]).astype(int)



def normalize(s):

   if s.std()>1e-6:

       return (s-s.mean())*s.std()**(-1)

   else:

       return (s-s.mean())

hotelRating数据如下所示。

hotelRating_norm = hotelRating.apply(normalize)

hotelRating_norm_corr = hotelRating_norm.cov()

hotelRating_norm_corr如下所示。

u,s,v = np.linalg.svd(hotelRating_norm_corr)

In [9]:

import matplotlib.pyplot as plt

plt.plot(s,'o')

plt.title("singular value spectrum")

plt.show()

In [10]:

u_short = u[:,:5]

v_short = v[:5,:]

s_short = s[:5]



hotelRating_norm_corr_rebuild = pd.DataFrame(u_short.dot(np.diag(s_short).dot(v_short))

                                           ,index=hotelRating_norm_corr.index

                                           ,columns=hotelRating_norm_corr.keys())

In [11]:

#get the top components

top_components = hotelRating_norm.dot(u_short).dot(np.diag(np.power(s_short,-0.5)))

In [12]:

#classfication of each hotel

hotel_ind = 30

rating = hotelRating_norm.loc[:,'hotel_%.3d'%hotel_ind]

print "classification of the %dth hotel"%hotel_ind

top_components.T.dot(rating)/customerNum

classification of the 30th hotel

0    0.136138
1    0.179586
2   -0.071347
3   -0.384475
4    0.647324