preporaki_zad2

Задача 2 Problem 2 (1 / 2)
Да се напише функција која во зависност од бројот на рангирани филмови на корисникот ќе одбира начинот на препорачување - дали item-based или user-based. Функцијата треба да прима аргумент име на корисникот и бројот n од стандарден влез. Ако бројот на рангирани филмови на корисникот е помал од n да препорачува на со item-based начин, а ако е поголем или еднаков на n да препорачува на user-based начин. На излез да се печати одбраниот начин (user-based или item-based), и во вториот ред да се испечати листа од препорачани филмови која ги содржи само имињата сортирани во растечки (азбучен) редослед.

oceniPoKorisnici = {
    'Lisa Rose': {'Catch Me If You Can': 3.0, 'Snakes on a Plane': 3.5, 'Superman Returns': 3.5,
                  'You, Me and Dupree': 2.5, 'The Night Listener': 3.0, 'Snitch': 3.0},
    'Gene Seymour': {'Lady in the Water': 3.0, 'Snakes on a Plane': 3.5, 'Just My Luck': 1.5, 'The Night Listener': 3.0,
                     'You, Me and Dupree': 3.5},
    'Michael Phillips': {'Catch Me If You Can': 2.5, 'Lady in the Water': 2.5, 'Superman Returns': 3.5,
                         'The Night Listener': 4.0, 'Snitch': 2.0},
    'Claudia Puig': {'Snakes on a Plane': 3.5, 'Just My Luck': 3.0, 'The Night Listener': 4.5, 'Superman Returns': 4.0,
                     'You, Me and Dupree': 2.5},
    'Mick LaSalle': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'Just My Luck': 2.0, 'Superman Returns': 3.0,
                     'You, Me and Dupree': 2.0},
    'Jack Matthews': {'Catch Me If You Can': 4.5, 'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0,
                      'The Night Listener': 3.0, 'Superman Returns': 5.0, 'You, Me and Dupree': 3.5, 'Snitch': 4.5},
    'Toby': {'Snakes on a Plane': 4.5, 'Snitch': 5.0},
    'Michelle Nichols': {'Just My Luck': 1.0, 'The Night Listener': 4.5, 'You, Me and Dupree': 3.5,
                         'Catch Me If You Can': 2.5, 'Snakes on a Plane': 3.0},
    'Gary Coleman': {'Lady in the Water': 1.0, 'Catch Me If You Can': 1.5, 'Superman Returns': 1.5,
                     'You, Me and Dupree': 2.0},
    'Larry': {'Lady in the Water': 3.0, 'Just My Luck': 3.5, 'Snitch': 1.5, 'The Night Listener': 3.5}
}

from math import sqrt
import json

# Vrakja merka za slicnost bazirana na rastojanieto za person1 i person2
def sim_distance(oceni, person1, person2):
    # Se pravi lista na zaednicki predmeti (filmovi)
    zaednicki = {}
    for item in oceni[person1].keys():
        if item in oceni[person2]:
            zaednicki[item] = 1
    # ako nemaat zaednicki rejtinzi, vrati 0
    if len(zaednicki) == 0: return 0
    # Soberi gi kvadratite na zaednickite razliki
    sum_of_squares = sum([pow(oceni[person1][item] - oceni[person2][item], 2)
                          for item in oceni[person1] if item in oceni[person2]])
    return 1 / (1 + sqrt(sum_of_squares))
    #    return 1/(1+(sum_of_squares))


# Go vrakja koeficientot na Pearsonova korelacija pomegu p1 i p2 (licnost 1 i licnost 2)
# Vrednostite se pomegu -1 i 1
def sim_pearson(oceni,p1,p2):
    # Se kreira recnik vo koj ke se cuvaat predmetite (filmovi) koi se oceneti od dvajcata
    # Vo recnikot ni se vazni samo klucevite za da gi cuvame iminjata na filmovite koi se zaednicki, a vrednostite ne ni se vazni
    zaednicki={}
    for item in oceni[p1]:
        if item in oceni[p2]: zaednicki[item]=1

    # Se presmetuva brojot na predmeti oceneti od dvajcata
    n=len(zaednicki)

    # Ako nemaat zaednicki predmeti vrati korelacija 0
    if n==0: return 0

    # Soberi gi zaednickite oceni (rejtinzi) za  sekoja licnost posebno
    sum1=sum([oceni[p1][it] for it in zaednicki])
    sum2=sum([oceni[p2][it] for it in zaednicki])

    # Soberi gi kvadratite od zaednickite oceni (rejtinzi) za  sekoja licnost posebno
    sum1Sq=sum([pow(oceni[p1][it],2) for it in zaednicki])
    sum2Sq=sum([pow(oceni[p2][it],2) for it in zaednicki])

    # Soberi gi proizvodite od ocenite na dvete licnosti
    pSum=sum([oceni[p1][it]*oceni[p2][it] for it in zaednicki])

    # Presmetaj go koeficientot na korelacija
    num=pSum-(sum1*sum2/n)
    den=sqrt((sum1Sq-pow(sum1,2)/n)*(sum2Sq-pow(sum2,2)/n))
    if den==0: return 0
    r=num/den
    return r


# Gi transformira rejtinzite taka sto klucevi ke bidat filmovite a vrednost lista od rejtinzi od sekoj korisnik
def transformPrefs(oceni):
    result={}
    for person in oceni:
        for item in oceni[person]:
            result.setdefault(item,{})
            # Zameni gi mestata na licnosta i predmetot
            result[item][person]=oceni[person][item]
    return result


# Gi vrakja najslicnite n korisnici na daden korisnik
# Brojot na rezultati (n) i funkcijata za slicnost se opcionalni parametri
def topMatches(oceni,person,n=5, similarity=sim_pearson):
    scores=[(similarity(oceni,person,other),other)
                   for other in oceni if other!=person]
    # Se sortira listata vo rastecki redosled
    scores.sort( )
    # Se prevrtuva za najslicnite (so najgolema vrednost) da bidat prvi
    scores.reverse( )
    return scores[0:n]


# Gi vrakja preporakite za daden korisnik person so
# koristenje na tezinski prosek na ocenite od drugite korisnici
def getUserBasedRecomendations(oceni, person, similarity=sim_pearson):
        totals = {}
        simSums = {}
        for other in oceni:
            # Za da ne se sporeduva so samiot sebe
            if other == person: continue
            sim = similarity(oceni, person, other)
            # ne se zemaat vo predvid rezultati <= 0
            if sim <= 0: continue
            for item in oceni[other]:
                # za tekovniot korisnik gi zemame samo filmovite sto gi nemame veke gledano
                if item not in oceni[person] or oceni[person][item] == 0:
                    # similarity * Score   (Slicnost * Ocena)
                    totals.setdefault(item, 0)
                    totals[item] += oceni[other][item] * sim

                    # Sumuma na slicnosti
                    simSums.setdefault(item, 0)
                    simSums[item] += sim

        # Kreiranje na normalizirana lista so rejtinzi
        rankings = [(total / simSums[item], item) for item, total in totals.items()]

        # Sortiranje na listata vo rastecki redosled
        rankings.sort()
        # Prevrtuvanje na lista za najgolemite vrednosti da bidat napred
        rankings.reverse()
        return rankings


def getItemBasedRecomendations(critics, person1, n=None):
    oceni_po_film = transformPrefs(critics)

    similarity_per_item = {}
    for item in critics[person1].keys():
        similar_items = topMatches(oceni_po_film, item, n=None)
        my_rating = critics[person1][item]
        for similarity, item in similar_items:
            if item in critics[person1] or similarity <= 0:
                continue
            similarity_per_item.setdefault(item, [])
            # similarity_per_item[item].append(similarity)
            similarity_per_item[item].append(similarity*my_rating)
    similarity_per_item_avg = []

    for item in similarity_per_item:
        avg_sim = mean(similarity_per_item[item])
        similarity_per_item_avg.append((avg_sim, item))
    similarity_per_item_avg.sort(reverse=True)
    return similarity_per_item_avg



def do_user_recomendation(korisnik):
    recomended_user_based = getUserBasedRecomendations(oceniPoKorisnici, korisnik)
    recomended_three = []

    minimum = len(recomended_user_based);
    if minimum > 3:
        minimum = 3

    for x in range(0, minimum):
        recomended_three.append(recomended_user_based[x][1])

    recomended_three.sort()
    print "user-based\n", recomended_three


def do_item_recomendation(korisnik):
    # print json.dumps(oceni_po_filmovi, indent=2)

    recomended_item_based = getItemBasedRecomendations(oceniPoKorisnici, korisnik)
    recomended_three = []

    minimum = len(recomended_item_based);
    if minimum > 3:
        minimum = 3

    for x in range(0, minimum):
        recomended_three.append(recomended_item_based[x][1])

    recomended_three.sort()

    print "item-based\n", recomended_three


def mean(x):
    if len(x)==0: return 0.0
    return sum(x)/len(x)


if __name__ == "__main__":
    korisnik = input()
    # korisnik = 'Gene Seymour'

    n=input()
    # n = 7

    user_rankings = len(oceniPoKorisnici[korisnik])
    # print "user rankings", user_rankings


    if user_rankings < n:
        do_item_recomendation(korisnik)
    else:
        do_user_recomendation(korisnik)

Sample input
'Gene Seymour'
7

Sample output
item-based
['Catch Me If You Can', 'Snitch', 'Superman Returns']