def __init__(self):
known_information.__init__(self)
self.item_hot_pro = np.array([0.0] * 10) # 商品购买热度
self.word_hot_pro = np.array([0.0] * 10) # 每个词的出现概率
self.class_id_bar = np.array([0.0] * 10)
self.item_relate = np.array([0.0] * 10) # 关联商品购买数
self.KNN_k = 50 # KNN的 k
self.weight_array = np.array([0]*10)
self.my_range = 10
self.class_information = class_gailv()
self.class_opinion = np.array([0.0] * 10) # 类别的打分意见
def __init__(self):
self.data_dir = 'E:\\gitshell\\tianchi3'
# self.data_dir_new =
self.user_dict = {}
self.user_num = -1
self.record_num = -1 # 记录最大编号 +1 为购买记录数
self.user_array = np.zeros((2000000, 2), int) # 记录 购买行为的 起末位置
self.user_item_array = np.zeros((20000000, 2), int)
# 商品热度统计数据
self.item_num = -1 # 记录最大编号 +1为商品数
self.item_dict = {}
self.item_array = np.zeros((2000000, 2)) # 商品id， 商品数/概率
self.item_user_list = []
# 商品分类信息
self.item_class = np.zeros([0] * 20) # item_id 到 class_id 的映射
self.class_dict = {} # class_id 到 class_ind 的 映射
self.class_num = -1 # 记录最大编号 +1为分类数
# 热度排行初过滤参数 只对最畅销的 n 个商品进行精细计算
self.top_k = 100000
self.simple = True
# 分类别关联性 商品热度统计
self.num_k = 5 # 邻近的num_k个自身算第一个 被认为有关联
self.like_matrix = np.zeros((10, 10), int) # 存储不同分类下的
# self.matrix = np.zeros((self.top_k+1,self.class_num+1), int)
# 需要测试的数据组
self.test_list = []
# 关联商品的热度分布
self.temp_item_array_hot = np.array([0] * 10)
# 结果输出相关参数
self.r_top_num = 200 # 取前200个商品
# 购买次序相关的权重
self.range = 10 # 购买次序的有效关联范围
self.day_diff = 3 # 时间差 不超过3天
self.order_weight = []
# 达人的人工经验
# self.peo_exp = exp_of_people()
# self.peo_exp.read_jingyan()
# 搭配概率
self.top_k_da = 60000
self.pro_da_pei = np.array([0.0] * self.top_k_da)
# 原始的搭配概率
self.p_match = 0.0006
self.class_class = 0
# 引入第一种提问方式的 类别意见
self.my_cgailv = class_gailv()
self.my_cgailv.read_txt()
self.my_cgailv.my_tongji2()
self.pre_class_gailv = [] # 记忆缓存
self.pre_class_id = -1 # 记忆缓存
