Slope One 算法是在一篇名為《Slope One：基于在線評分系統(tǒng)的協(xié)同過濾算法》的論文中提出的拗小，由 Lemire 和 Machlachlan 合著粒氧。
Slope One 算法是另一種比較流行的基于物品的協(xié)同過濾算法，它最大的優(yōu)勢是簡單，因此易于實現(xiàn)。
第一步：計算差值
差值計算
第二步：使用加權的 Slope One 算法進行預測
Slope One
分子：對于用戶評價過的所有物品（除目標外），找出目標和這些物品之間的差值合呐，并將差值加上用戶對這個物品的評分。
同時笙以，要將這個結果乘以同時評價過兩件物品的用戶數(shù)淌实。
算法實現(xiàn)
第一步：
def computeDeviations(self):
# 獲取每位用戶的評分數(shù)據(jù)
for ratings in self:
data.values()
self.data 是一個 Python 字典，它的 values() 方法可以獲取所有鍵的值猖腕。
第二步：
def computeDeviations(self):
# 獲取每位用戶的評分數(shù)據(jù)
for ratings in self.data.values():
# 對于該用戶的每個評分項（歌手拆祈、分數(shù)）
for (item, rating) in ratings.items():
self.frequencies.setdefault(item, {})
self.deviations.setdefault(item, {})
Python 字典的 setdefault() 方法接受兩個參數(shù)，它的作用是：如果字典中不包含指定的鍵谈息，則將其設為默認值缘屹；若存在，則返回其對應的值侠仇。
第三步：
def computeDeviations(self):
# 獲取每位用戶的評分數(shù)據(jù)
for ratings in self.data.values():
# 對于該用戶的每個評分項（歌手轻姿、分數(shù)）
for (item, rating) in ratings.items():
self.frequencies.setdefault(item, {})
self.deviations.setdefault(item, {})
# 再次遍歷該用戶的每個評分項
for (item2, rating2) in ratings.items():
if item != item2:
# 將評分的差異保存到變量中
self.frequencies[item].setdefault(item2, 0)
self.deviations[item].setdefault(item2, 0.0)
self.frequencies[item][item2] += 1
self.deviations[item][item2] += rating - rating2
第四步：
計算出差異值（公式的實現(xiàn)）：
def computeDeviations(self):
# 獲取每位用戶的評分數(shù)據(jù)
for ratings in self.data.values():
# 對于該用戶的每個評分項（歌手、分數(shù)）
for (item, rating) in ratings.items():
self.frequencies.setdefault(item, {})
self.deviations.setdefault(item, {})
# 再次遍歷該用戶的每個評分項
for (item2, rating2) in ratings.items():
if item != item2:
# 將評分的差異保存到變量中
self.frequencies[item].setdefault(item2, 0)
self.deviations[item].setdefault(item2, 0.0)
self.frequencies[item][item2] += 1
self.deviations[item][item2] += rating - rating2
for (item, ratings) in self.deviations.items():
for item2 in ratings:
ratings[item2] /= self.frequencies[item][item2]
加權的 Slope One 算法：推薦邏輯的實現(xiàn)
def slopeOneRecommendations(self, userRatings):
recommendations = {}
frequencies = {}
# 遍歷目標用戶的評分項（歌手逻炊、分數(shù)）
for (userItem, userRating) in userRatings.items():
# 對目標用戶未評價的歌手進行計算
for (diffItem, diffRatings) in self.deviations.items():
if diffItem not in userRatings and userItem in self.deviations[diffItem]:
freq = self.frequencies[diffItem][userItem]
recommendations.setdefault(diffItem, 0.0)
frequencies.setdefault(diffItem, 0)
# 分子
recommendations[diffItem] += (diffRatings[userItem] + userRating) * freq
# 分母
frequencies[diffItem] += freq
recommendations = [(k, v / frequencies[k]) for (k, v) in recommendations.items()]
# 排序并返回
recommendations.sort(key=lambda artistTuple: artistTuple[1], reverse=True)
return recommendations
參考原文作者：Ron Zacharski CC BY-NC 3.0] https://github.com/egrcc/guidetodatamining
