如何用PHP實現協同過濾與推薦系統

如何以PHP實作協同過濾與推薦系統

協同過濾與推薦系統是一種非常常用的演算法和技術，在電子商務、社群媒體和線上服務中廣泛應用。協同過濾演算法透過分析用戶的行為和偏好，將其與其他用戶的行為進行比較，以找到相似的用戶，並基於這些相似性為用戶做出個人化的推薦。這篇文章將介紹如何在PHP中實現協同過濾與推薦系統。

1. 資料準備
   在實作協同過濾與推薦系統之前，我們首先需要準備好資料。一般來說，我們需要有一個使用者-物品矩陣，記錄每個使用者對每個物品的評分或偏好。這個矩陣可以用數組來表示。以下是一個範例資料：

$ratings = [
    'user1' => ['item1' => 4, 'item2' => 3, 'item3' => 5],
    'user2' => ['item1' => 5, 'item2' => 1, 'item3' => 2],
    'user3' => ['item1' => 2, 'item2' => 4, 'item3' => 1],
];

2. 相似度計算
   在協同篩選中，我們需要計算使用者之間的相似度。一種常用的相似度計算方法是皮爾遜相關係數。下面是一個用PHP實現的計算皮爾遜相關係數的函數：

function pearson_similarity($ratings, $user1, $user2) {
    $common_items = array_intersect(array_keys($ratings[$user1]), array_keys($ratings[$user2]));
    
    $n = count($common_items);

    $sum1 = $sum2 = $sum1_sq = $sum2_sq = $p_sum = 0;
    
    foreach ($common_items as $item) {
        $rating1 = $ratings[$user1][$item];
        $rating2 = $ratings[$user2][$item];

        $sum1 += $rating1;
        $sum2 += $rating2;

        $sum1_sq += pow($rating1, 2);
        $sum2_sq += pow($rating2, 2);
        
        $p_sum += $rating1 * $rating2;
    }

    $num = $p_sum - ($sum1 * $sum2 / $n);
    $den = sqrt(($sum1_sq - pow($sum1, 2) / $n) * ($sum2_sq - pow($sum2, 2) / $n));

    if ($den == 0) return 0;
    return $num / $den;
}

3. #推薦生成
   有了用戶之間的相似度之後，我們可以根據相似度來生成推薦。一種常見的方法是基於使用者的協同過濾演算法。以下是一個用PHP實作的基於使用者的協同過濾推薦演算法的函數：

function user_based_recommendation($ratings, $user, $n = 5) {
    $similarity = array();
    $weighted_sum = array();
    $similarity_sum = array();

    foreach ($ratings as $other_user => $items) {
        if ($other_user == $user) continue;

        $sim = pearson_similarity($ratings, $user, $other_user);
        if ($sim <= 0) continue;

        foreach ($items as $item => $rating) {
            if (!isset($ratings[$user][$item]) || $ratings[$user][$item] == 0) {
                $weighted_sum[$item] += $rating * $sim;
                $similarity_sum[$item] += $sim;
            }
        }
    }

    $rankings = array();
    foreach ($weighted_sum as $item => $weighted_rating) {
        if ($similarity_sum[$item] > 0) {
            $rankings[$item] = $weighted_rating / $similarity_sum[$item];
        }
    }

    arsort($rankings);
    return array_slice($rankings, 0, $n, true);
}

在上述範例程式碼中，$n 表示要產生的建議數量，預設為5。 user_based_recommendation 函數將傳回一個按建議評分從高到低排列的物品陣列。

4. 使用範例
   下面是一個使用上述函數的範例：

$recommendations = user_based_recommendation($ratings, 'user1', 3);

foreach ($recommendations as $item => $rating) {
    echo "推荐物品：$item, 评分：$rating
";
}

以上範例將為user1產生3個推薦物品，並輸出結果。

總結：
透過上述步驟，我們展示如何使用PHP實作協同過濾與推薦系統。首先，我們準備了使用者-物品矩陣的數據，並計算了使用者之間的相似度。然後，根據相似度產生了個人化的推薦。這只是其中一種實作方式，實際應用中可能還需要根據具體需求進行適當修改。希望本文能對您理解如何用PHP實現協同過濾與推薦系統有所幫助。

以上是如何用PHP實現協同過濾與推薦系統的詳細內容。更多資訊請關注PHP中文網其他相關文章！