php用不了推薦演算法嗎

php用不了推薦演算法嗎？

推薦演算法是非常古老的，在機器學習還沒有興起的時候就有需求和應用了。

協同過濾(Collaborative Filtering)作為推薦演算法中最經典的型別，包括線上的協同和離線的過濾兩部分。所謂線上協同，就是通過線上資料找到使用者可能喜歡的物品，而離線過濾，則是過濾掉一些不值得推薦的資料，比比如推薦值評分低的資料，或者雖然推薦值高但是使用者已經購買的資料。

下面就介紹下怎樣用PHP+MySQL實現簡單的協同過濾演算法。

要實現協同過濾推薦演算法，首先就要理解演算法的核心思想和流程。該演算法的核心思想可以概括為：若a,b喜歡同一系列的物品（暫時稱b是a的鄰居吧），則a很可能喜歡b喜歡的其他物品。演算法的實現流程可以簡單概括為：1.確定a有哪些鄰居 2.通過鄰居來預測a可能會喜歡哪種物品 3.將a可能喜歡的物品推薦給a。

演算法核心的公式如下：

1.餘弦相似度（求鄰居）：

2.預測公式（預測a可能會喜歡哪種物品）：

僅從這兩個公式我們就可以看出，僅僅是按照這兩個公式進行計算，就需要進行大量的迴圈與判斷，而且還涉及到排序的問題，就涉及到排序演算法的選擇與使用，這裡選快排。

首先建表：

DROP TABLE IF EXISTS `tb_xttj`;
CREATE TABLE `tb_xttj` (
  `name` varchar(255) NOT NULL,
  `a` int(255) default NULL,
  `b` int(255) default NULL,
  `c` int(255) default NULL,
  `d` int(255) default NULL,
  `e` int(255) default NULL,
  `f` int(255) default NULL,
  `g` int(255) default NULL,
  `h` int(255) default NULL,
  PRIMARY KEY  (`name`)
) ENGINE=MyISAM DEFAULT CHARSET=latin1;
 
INSERT INTO `tb_xttj` VALUES ('John', '4', '4', '5', '4', '3', '2', '1', null);
INSERT INTO `tb_xttj` VALUES ('Mary', '3', '4', '4', '2', '5', '4', '3', null);
INSERT INTO `tb_xttj` VALUES ('Lucy', '2', '3', null, '3', null, '3', '4', '5');
INSERT INTO `tb_xttj` VALUES ('Tom', '3', '4', '5', null, '1', '3', '5', '4');
INSERT INTO `tb_xttj` VALUES ('Bill', '3', '2', '1', '5', '3', '2', '1', '1');
INSERT INTO `tb_xttj` VALUES ('Leo', '3', '4', '5', '2', '4', null, null, null);

這裡只對最後一行的Leo進行推薦，看看f,g,h哪個可以推薦給他。

用php+mysql，流程圖如下：

連線資料庫並將其儲存為二維陣列的程式碼如下：

header("Content-Type:text/html;charset=utf-8");
 
mysql_connect("localhost","root","admin");
mysql_select_db("geodatabase");
mysql_query("set names 'utf8'");
 
$sql = "SELECT * FROM tb_xttj";
$result = mysql_query($sql);
 
$array = array();
while($row=mysql_fetch_array($result))
{
$array[]=$row;//$array[][]是一個二維陣列
}

問題1：這一步完全可以看做是整表查詢，這種查詢是大忌，對於這種小小的演示系統還可以，但是對巨量資料的系統，沒有效率。

求Leo與其他人的Cos值程式碼如下：

/*
 * 以下範例只求Leo的推薦,如此給變數命名我也是醉了;初次理解演算法，先不考慮效率和邏輯的問題，主要把過程做出來
 */
 
$cos = array();
$cos[0] = 0;
$fm1 = 0;
//開始計算cos
//計算分母1，分母1是第一個公式裡面 「*」號左邊的內容，分母二是右邊的內容
for($i=1;$i<9;$i++){
if($array[5][$i] != null){//$array[5]代表Leo
$fm1 += $array[5][$i] * $array[5][$i];
}
}
 
$fm1 = sqrt($fm1);
 
for($i=0;$i<5;$i++){
$fz = 0;
$fm2 = 0;
echo "Cos(".$array[5][0].",".$array[$i][0].")=";
for($j=1;$j<9;$j++){
    //計算分子
if($array[5][$j] != null && $array[$i][$j] != null){
$fz += $array[5][$j] * $array[$i][$j];
}
//計算分母2
if($array[$i][$j] != null){
$fm2 += $array[$i][$j] * $array[$i][$j];
}
}
$fm2 = sqrt($fm2);
$cos[$i] = $fz/$fm1/$fm2;
echo $cos[$i]."<br/>";
}

這一步得到的結果：

將求好的Cos值排序，採用快排程式碼如下：

//對計算結果進行排序,湊合用快排吧先
function quicksort($str){
if(count($str)<=1) return $str;//如果個數不大於一，直接返回
$key=$str[0];//取一個值，稍後用來比較；
$left_arr=array();
$right_arr=array();
for($i=1;$i<count($str);$i++){//比$key大的放在右邊，小的放在左邊；
if($str[$i]>=$key)
$left_arr[]=$str[$i];
else
$right_arr[]=$str[$i];
}
$left_arr=quicksort($left_arr);//進行遞回；
$right_arr=quicksort($right_arr);
return array_merge($left_arr,array($key),$right_arr);//將左中右的值合併成一個陣列；
}
 
$neighbour = array();//$neighbour只是對cos值進行排序並儲存
$neighbour = quicksort($cos);

這裡的$neighbour陣列僅僅儲存了從大到小排序好的Cos值，並沒有與人聯絡起來。這個問題還要解決。

選出Cos值最高的3個人，作為Leo的鄰居：

//$neighbour_set 儲存最近鄰的人和cos值
$neighbour_set = array();
for($i=0;$i<3;$i++){
for($j=0;$j<5;$j++){
if($neighbour[$i] == $cos[$j]){
$neighbour_set[$i][0] = $j;
$neighbour_set[$i][1] = $cos[$j];
$neighbour_set[$i][2] = $array[$j][6];//鄰居對f的評分
$neighbour_set[$i][3] = $array[$j][7];//鄰居對g的評分
$neighbour_set[$i][4] = $array[$j][8];//鄰居對h的評分
}
}
}
print_r($neighbour_set);
echo "<p><br/>";

這一步得到的結果：

這是一個二維陣列，陣列第一層的下標為0，1，2，代表3個人。第二層下標0代表鄰居在資料表中的順序，比如Jhon是表中的第0個人；下標1代表Leo和鄰居的Cos值；下標2，3,4分別代表鄰居對f,g,h的評分。

開始進行預測，計算Predict程式碼如下：

分別計算Leo對f，g，h的預測值。在此有一個問題，就是如果有的鄰居對f，g，h的評分為空，那麼該如何處理。比如Jhon和Mary對h的評分就為空。本能的想到用if判斷一下，如果為空則跳過這組計算，不過這樣處理是否合理，有待考慮。以下程式碼並沒有寫出這個if判斷。

//計算Leo對f的評分
$p_arr = array();
$pfz_f = 0;
$pfm_f = 0;
for($i=0;$i<3;$i++){
$pfz_f += $neighbour_set[$i][1] * $neighbour_set[$i][2];
$pfm_f += $neighbour_set[$i][1];
}
$p_arr[0][0] = 6;
$p_arr[0][1] = $pfz_f/sqrt($pfm_f);
if($p_arr[0][1]>3){
echo "推薦f";
}
 
//計算Leo對g的評分
$pfz_g = 0;
$pfm_g = 0;
for($i=0;$i<3;$i++){
$pfz_g += $neighbour_set[$i][1] * $neighbour_set[$i][3];
$pfm_g += $neighbour_set[$i][1];
$p_arr[1][0] = 7;
$p_arr[1][1] = $pfz_g/sqrt($pfm_g);
}
if($p_arr[0][1]>3){
echo "推薦g";
}
 
//計算Leo對h的評分
$pfz_h = 0;
$pfm_h = 0;
for($i=0;$i<3;$i++){
$pfz_h += $neighbour_set[$i][1] * $neighbour_set[$i][4];
$pfm_h += $neighbour_set[$i][1];
$p_arr[2][0] = 8;
$p_arr[2][1] = $pfz_h/sqrt($pfm_h);
}
print_r($p_arr);
if($p_arr[0][1]>3){
echo "推薦h";
}
$p_arr是對Leo的推薦陣列，其內容類似如下;

Array ( [0] => Array ( [0] => 6 [1] => 4.2314002228795 ) [1] => Array ( [0] => 7 [1] => 2.6511380196197 ) [2] => Array ( [0] => 8 [1] => 0.45287424581774 ) )

f是第6列，Predict值是4.23，g是第七列，Predict值是2.65........

求完了f,g,h的Predict值後有兩種處理方式：一種是將Predict值大於3的物品推薦給Leo，另一種是將Predict值從大到小排序，將Predict值大的前2個物品推薦給Leo。這段程式碼沒有寫。

從上面的範例中可以看出，推薦演算法的實現非常麻煩，需要迴圈，判斷，合併陣列等等。如果處理不當，反而會成為系統的累贅。在實際處理中還有以下問題：

1.以上範例我們只對Leo進行推薦，而且我們已經知道Leo沒有評價過f，g，h物品。如果放到實際的系統裡，對於每一個需要進行推薦的使用者，都要查詢出他沒有評價過哪些物品，這又是一部分開銷。

2.不應當進行整表查詢，在實際系統中可以設定一些標準值。比如：我們求Leo與表中的其他人的Cos值，如果該值大於0.80，則表示可以為鄰居。這樣，當我找到10個鄰居之後，就停止求Cos值，避免整表查詢。對於推薦物品也可以適當採用此方法，比如，我只推薦10個物品，推薦完後就停止求Predict值。

3.隨著系統的使用，物品也會發生變化，今天是fgh，明天沒準就是xyz了，當物品變化時，需要動態的改變資料表。

4.可以適當引進基於內容的推薦，來完善推薦演算法。

5.推薦的精確性問題，這個設定不同的標準值，會影響精確性。

以上就是php用不了推薦演算法嗎的詳細內容，更多請關注TW511.COM其它相關文章！