# Event Recommendation （协同过滤测试）

**Repository Path**: edwinjiang703/event_user_recom

## Basic Information

- **Project Name**: Event Recommendation （协同过滤测试）
- **Description**: 基于用户、活动、模型的协同过滤。带L2正则的SVD矩阵分解
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2018-06-22
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Event Recommendation （协同过滤测试）

#### Description
##### 实现基于用户的协同过滤（用户本身，用户好友分析）
1 先对用户数据进行预处理. 用normalize来做归一化，因为要使用scipy里的相似度计算 <br/> 
2 通过userpairs关系，即表示两个用户对同一个活动感兴趣。即所谓的关联用户，指的是至少在同一个event上有行为的用户。通过scipy的矩阵距离计算公式来计算关联用户之间的相似度.<br/>
3 统计每个用户的好友信息<br/>

##### 实现基于活动的协同过滤（活动本身，用户活动关联分析）
1 活动数据预处理，包括编码、PCA降维等 。用normalize来做归一化，因为要使用scipy里的相似度计算<br/>
2 统计活动的参与或者不参与情况<br/>
3 定义活动相关性矩阵。uniqueEventPairs指的是互相关联的活动，即至少一个活动被同一个用户行为过<br/>
4 通过scipy的矩阵距离计算公式来计算关联活动之间的相似度<br/>

##### 能够实现基于模型的协同过滤
1 用传统的SVD，对userEventScores（记录用户对活动感兴趣）矩阵分解<br/>
2 用基于增加正则项（RSVD）的直接矩阵分解来做

##### 组合各种前面生成的特征，生成新的训练数据
1 结合前面生成的特征，应用UserCF算法进行协同过滤得到新的特征并保存为csv文件，以供后期模型训练.<br/> 
  新生成的训练数据：new_data_train.csv文件

### data_processing.py 文件生成uniqueEventPairs、userpairs、userindex、eventindex、userEventScores这些数据集