1.示例引入
多个吃货在某美团的某家饭馆点餐，如下两道菜：
可乐鸡翅：
红烧肉：
顾客吃过后，会有相关的星级评分。假设评分如下：
评分 可乐鸡翅 红烧肉
小明 4 5
小红 4 3
小伟 2 3
小芳 3 ？
问题：请猜测一下小芳可能会给“红烧肉”打多少分？
思路：把两道菜的平均差值求出来，可乐鸡翅减去红烧肉的平均偏差：[(4-5)+(4-3)+(2-3)]/3=-0.333。一个新客户比如小芳，只吃了可乐鸡翅评分为3分，那么可以猜测她对红烧肉的评分为：3-(-0.333)=3.333
这就是slope one 算法的基本思路，非常非常的简单。
2.slope one 算法思想
Slope One 算法是由 Daniel Lemire 教授在 2005 年提出的一个Item-Based 的协同过滤推荐算法。和其它类似算法相比, 它的最大优点在于算法很简单, 易于实现, 执行效率高, 同时推荐的准确性相对较高。
Slope One算法是基于不同物品之间的评分差的线性算法，预测用户对物品评分的个性化算法。主要两步：
Step1:计算物品之间的评分差的均值，记为物品间的评分偏差(两物品同时被评分)；
Step2:根据物品间的评分偏差和用户的历史评分，预测用户对未评分的物品的评分。
Step3:将预测评分排序，取topN对应的物品推荐给用户。
举例：
假设有100个人对物品A和物品B打分了，R(AB)表示这100个人对A和B打分的平均偏差;有1000个人对物品B和物品C打分了， R(CB)表示这1000个人对C和B打分的平均偏差；
3.python实现
def loadData():
items={‘A’:{1:5,2:3},’B’:{1:3,2:4,3:2},’C’:{1:2,3:5}}
users={1:{‘A’:5,’B’:3,’C’:2},2:{‘A’:3,’B’:4},3:{‘B’:2,’C’:5}}return items,users
3.2物品间评分偏差
#***计算物品之间的评分差
#items:从物品角度，考虑评分
#users:从用户角度，考虑评分
foritemId in items:forotherItemId in items:
average=0.0#物品间的评分偏差均值
userRatingPairCount=0#两件物品均评过分的用户数if itemId!=otherItemId: #若无不同的物品项for userId in users: #遍历用户-物品评分数
userRatings=users[userId] #每条数据为用户对物品的评分
#当前物品项在用户的评分数据中，且用户也对其他物品由评分ifitemId in userRatings and otherItemId in userRatings:
#两件物品均评过分的用户数加1
userRatingPairCount+=1#评分偏差为每项当前物品评分-其他物品评分求和
average+=(userRatings[otherItemId]-userRatings[itemId])
averages[(itemId,otherItemId)]=average/userRatingPairCount
3.3预估评分
#***预测评分
#users:用户对物品的评分数据
#items：物品由哪些用户评分的数据
#averages：计算的评分偏差
#targetUserId：被推荐的用户
#targetItemId：被推荐的物品
def suggestedRating(users,items,averages,targetUserId,targetItemId):
runningRatingCount=0#预测评分的分母
weightedRatingTotal=0.0#分子fori in users[targetUserId]:
#物品i和物品targetItemId共同评分的用户数
ratingCount=userWhoRatedBoth(users,i,targetItemId)
#分子
weightedRatingTotal+=(users[targetUserId][i]-averages[(targetItemId,i)])\*ratingCount
#分母
runningRatingCount+=ratingCount
#返回预测评分return weightedRatingTotal/runningRatingCount
统计两物品共同评分的用户数
# 物品itemId1与itemId2共同有多少用户评分
def userWhoRatedBoth(users,itemId1,itemId2):
count=0#用户-物品评分数据foruserId in users:
#用户对物品itemId1与itemId2都评过分则计数加1ifitemId1 in users[userId] and itemId2 in users[userId]:
count+=1
return count
3.4测试结果:
if __name__==’__main__’:
items,users=loadData()
averages={}
#计算物品之间的评分差
buildAverageDiffs(items,users,averages)
#预测评分:用户2对物品C的评分
predictRating=suggestedRating(users,items,averages,2,’C’)
print’Guess the user will rate the score :’,predictRating
结果：用户2对物品C的预测分值为
Guess the user will rate the score : 3.33333333333
4.slopeOne使用场景
该算法适用于物品更新不频繁，数量相对较稳定并且物品数目明显小于用户数的场景。依赖用户的用户行为日志和物品偏好的相关内容。
优点：
1.算法简单，易于实现，执行效率高；
2.可以发现用户潜在的兴趣爱好；
缺点：
依赖用户行为，存在冷启动问题和稀疏性问题。