# 即插即用的 Python 协同过滤推荐系统+MYSQL处理

**Repository Path**: q981160455/NLP

## Basic Information

- **Project Name**: 即插即用的 Python 协同过滤推荐系统+MYSQL处理
- **Description**: 这是一个用python写的协同过滤推荐系统，它可以处理几十万上百万用户量级的基于物品的推荐。你可以决定它读取哪个mysql数据库的表格数据，也可以指定推荐结果将保存在哪个数据表格中！简单更改配置文件即可使用！
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 13
- **Forks**: 1
- **Created**: 2023-03-10
- **Last Updated**: 2025-02-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 即插即用的 Python 协同过滤推荐系统+MYSQL处理

#### 介绍
    这是一个用python写的协同过滤推荐系统，它可以处理几十万上百万用户量级的基于物品的推荐。你可以决定它读取哪个mysql数据库的表格数据，也可以指定推荐结果将保存在哪个数据表格中！简单更改配置文件即可使用！

#### 软件架构
 软件架构说明
    首先说明一下这个系统能做什么事情。
    假设你有一张这个样子的表：（当然你的表应该在数据库里面，我只是方便展示截了个图）
    ![输入图片说明](picturesimage.png)

    可以看到，proj_name 也就是项目名称，我这里的项目是采购交易，那么你的数据可以是一次电影评分项目，或者菜品评分项目，或者一次商品的交易项目。
             call_unit 是采购方名称，你的数据可以是买家（也可以是卖家，也可以是物品）的名称或者ID。
             region字段代表这个项目在哪个地区发生，如果没有这个字段则可以忽略
             actual_price字段表示交易额，在你的数据里可以是评分等等数据
             agent_unit_name 字段表示代理结构名称，在你的数据里可以是第二列买家、或者物品等等，如果没有则置空
             provide_unit 代表的是供应商名称，在你的数据里可以是另一个实体的名称或者ID（卖家、物品等等）

    我举个例子，如果你只有三列数据（也就是两个实体和一个评分），“买家”、“物品”、“评分”，你在表里的数据就把proj_name换成递增的自然数、call_unit设置为买家、region不    
             管、actual_price设置为评分，agent_unit_name设置为物品、provide_unit设置为空字符串即可。这样就可以实现买家和物品的相互推荐。 
             如果你跟我一样，一个项目里面会有三个实体产生关系，那么你就对应将call_unit、agent_unit_name、provide_unit这三列置为你的数据即可了

#### 使用教程

1.  首先，你得把你的表放到mysql数据库里面，这样比较接地气，你那个读excel表不切实际，数据一旦大了现在都没这么用的。如果你不了解mysql数据库建议搜索引擎搜一下然后简单安装一个navicat数据库查看软件。安装完毕之后，链接上你自己（公司）的数据库，上传前面提到的那个“项目表”，如果公司数据库原本就有这种类似的表，就比较方便了。

程序的起点就是读取这个表，请确保你的表大概像以下这样存放，字段的名称无所谓，可以不一样，缺失的数据一律置为空字符串。
![输入图片说明](picturesimage2.png)


除此之外，需要你提前在数据库中建立好用于存放结果的表，它必须一定肯定不得不长这个样子：
![输入图片说明](pircturesimage4.png)


2.  然后打开我上传的 Controller.config 文件，记事本打开，或者任何文本编辑器打开都可。你会看到：

![输入图片说明](pircturesimage3.png)

填写的时候，不要改变冒号前面的字符，文件末尾不要有任何多余的字符

    填写完毕之后，下载CollaborativeFiltering_WithConfig 文件（centos系统下载该文件，如果是windows则下载.py版本） 将Controller.config和下载的文件放在同一个目录下。


3.  在命令行中使用：./CollaborativeFiltering_WithConfig运行程序，windows端则使用python CollaborativeFiltering_WithConfig.py命令运行，也可以在pycharm等编译器中直接运行和更改代码。


4.然后需要你等待，大概每分钟可以处理5~15万条数据，结果会放到你在Controller.config 文件中指定的数据库结果表中：
![输入图片说明](picturesimage5.png)
其中recommend_object_JSON字段存放的是实体推荐的结果，你可以单独取出来看看：
![输入图片说明](picturesimage6.png)

那么你的推荐结果可能就是给买家推荐的物品及其综合分，给物品推荐的买家及其综合分


centos系统下的CollaborativeFiltering_WithConfig文件（超过文件大小限制了，传网盘，如果你是window系统直接用仓库里的.py就行，linux系统用这个）：
链接: https://pan.baidu.com/s/17oBoZ8LtJLJyGBPOOlMPDQ 提取码: 55hy 复制这段内容后打开百度网盘手机App，操作更方便哦 
--来自百度网盘超级会员v3的分享




#### Contact me
有问题可以发邮件108547205@qq.com