Bagaimana untuk melaksanakan algoritma pengesyoran dengan PHP

Cara melaksanakan algoritma pengesyoran dengan PHP

Pengenalan:
Algoritma pengesyoran memainkan peranan penting dalam aplikasi Internet hari ini Ia boleh memberikan pengguna kandungan pengesyoran yang diperibadikan berdasarkan tingkah laku dan pilihan pengguna. PHP, sebagai bahasa skrip yang digunakan secara meluas, juga boleh digunakan untuk melaksanakan algoritma pengesyoran. Artikel ini akan memperkenalkan cara menggunakan PHP untuk melaksanakan algoritma pengesyoran ringkas berdasarkan penapisan kolaboratif dan memberikan contoh kod yang sepadan.

1. Apakah algoritma penapisan kolaboratif ialah algoritma pengesyoran yang biasa digunakan. Ia mengesyorkan kandungan yang mungkin menarik minat pengguna dengan menganalisis minat bersama antara pengguna. Algoritma penapisan kolaboratif mencari pengguna lain yang mempunyai hobi serupa dengan pengguna semasa berdasarkan persamaan antara pengguna, dan kemudian membuat pengesyoran untuk pengguna semasa berdasarkan penilaian item oleh pengguna serupa ini. Algoritma penapisan kolaboratif boleh dibahagikan kepada dua jenis:

Penapisan Kolaboratif berasaskan pengguna: Gunakan data gelagat pengguna lain yang mempunyai minat yang sama dengan pengguna semasa untuk membuat cadangan.
1. Penapisan Kolaboratif berasaskan item: Gunakan persamaan antara item lain dan item yang pengguna semasa berminat untuk membuat cadangan.

Artikel ini akan mengambil algoritma penapisan kolaboratif berasaskan pengguna sebagai contoh untuk memperkenalkan cara menggunakan PHP untuk melaksanakan algoritma pengesyoran.

2. Langkah pelaksanaan

Kumpul data gelagat pengguna
1. Algoritma pengesyoran perlu bergantung pada data gelagat pengguna, seperti penilaian pengguna produk, filem kegemaran, sejarah penyemakan imbas, dsb. Untuk memudahkan contoh, kami menganggap bahawa sudah ada jadual data tingkah laku pengguna, yang mengandungi medan seperti ID pengguna, ID item dan penilaian pengguna bagi item tersebut.
   
2. Mengira persamaan antara pengguna

   Mengira persamaan antara pengguna adalah teras algoritma penapisan kolaboratif. Kaedah pengiraan persamaan yang biasa digunakan termasuk jarak Euclidean, pekali korelasi Pearson, dsb. Di sini kami menggunakan pekali korelasi Pearson untuk mengira persamaan antara pengguna. Formula pekali korelasi Pearson adalah seperti berikut:
   

   similarity(u, v) = sum((r(u, i) - avg(u)) * (r(v, i) - avg(v))) / (sqrt(sum((r(u, i) - avg(u))^2)) * sqrt(sum((r(v, i) - avg(v))^2)))

   di mana persamaan(u, v) mewakili persamaan antara pengguna u dan v, r(u, i) mewakili penarafan pengguna u bagi item i, purata(u) mewakili pengguna penilaian purata u.

Berikut ialah contoh fungsi dalam PHP yang mengira pekali korelasi Pearson:

function pearson($ratings1, $ratings2) {
  $sum1 = $sum2 = $sumSq1 = $sumSq2 = $pSum = 0;
  $n = count($ratings1);

  foreach ($ratings1 as $item => $rating) {
    if (array_key_exists($item, $ratings2)) {
      $sum1 += $rating;
      $sum2 += $ratings2[$item];
      $sumSq1 += pow($rating, 2);
      $sumSq2 += pow($ratings2[$item], 2);
      $pSum += $rating * $ratings2[$item];
    }
  }

  $num = $pSum - ($sum1 * $sum2 / $n);
  $den = sqrt(($sumSq1 - pow($sum1, 2) / $n) * ($sumSq2 - pow($sum2, 2) / $n));

  if ($den == 0) return 0;

  return $num / $den;
}

Fungsi ini menerima dua tatasusunan rating sebagai parameter dan mengembalikan pekali korelasi Pearson antara dua tatasusunan rating.

Cadangan untuk pengguna
3. Selepas mengira persamaan antara pengguna, kami boleh membuat cadangan untuk pengguna semasa berdasarkan persamaan. Langkah-langkah khusus adalah seperti berikut:
   
Lintas data tingkah laku pengguna dan cari k pengguna yang paling serupa dengan pengguna semasa.
Berdasarkan data rating k pengguna ini, syorkan item yang pengguna semasa tidak menilai pada mereka.

Berikut ialah contoh fungsi dalam PHP yang mengesyorkan pengguna:

function recommend($user, $data, $k) {
  $total = array();
  $simSum = array();

  foreach ($data as $otherUser => $ratings) {
    if ($otherUser != $user) {
      $similarity = pearson($data[$user], $ratings);

      if ($similarity > 0) {
        foreach ($ratings as $item => $rating) {
          if (!array_key_exists($item, $data[$user])) {
            if (!array_key_exists($item, $total)) {
              $total[$item] = 0;
              $simSum[$item] = 0;
            }

            $total[$item] += $rating * $similarity;
            $simSum[$item] += $similarity;
          }
        }
      }
    }
  }

  $recommendations = array();
  foreach ($total as $item => $score) {
    $recommendations[$item] = $score / $simSum[$item];
  }

  arsort($recommendations);
  return $recommendations;
}

Fungsi ini menerima pengguna semasa, data tingkah laku pengguna dan bilangan item untuk disyorkan k sebagai parameter dan mengembalikan tatasusunan bersekutu yang mewakili pengesyoran keputusan, dengan kuncinya ialah ID item , nilainya ialah skor pengesyoran.

4. Ringkasan

Algoritma penapisan kolaboratif ialah algoritma pengesyoran yang biasa digunakan, yang boleh mencapai kandungan pengesyoran yang diperibadikan. Artikel ini memperkenalkan cara menggunakan PHP untuk melaksanakan algoritma penapisan kolaboratif berasaskan pengguna yang ringkas dan menyediakan contoh kod yang sepadan. Sudah tentu, banyak butiran dan pengoptimuman prestasi perlu dipertimbangkan dalam aplikasi praktikal, seperti memproses data berskala besar dan mencegah pemasangan yang berlebihan. Saya harap artikel ini dapat membantu anda bermula dengan pelaksanaan algoritma pengesyoran dan menyediakan beberapa rujukan untuk kajian yang lebih mendalam.

Atas ialah kandungan terperinci Bagaimana untuk melaksanakan algoritma pengesyoran dengan PHP. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!