/
similitudPeliculas.py
131 lines (101 loc) · 4.07 KB
/
similitudPeliculas.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
# Calcular la similitud entre peliculas representando cada pelicula
# como un vector de ratings y calcular la similitud entre estos vectores
from mrjob.job import MRJob
from metrics import correlation
from metrics import cosine, regularized_correlation
from math import sqrt
try:
from itertools import combinations
except ImportError:
from metrics import combinations
PRIOR_COUNT = 10
PRIOR_CORRELATION = 0
class SemiColonValueProtocol(object):
def write (self, key, values):
return ';'.join(str(v) for v in values)
class SimilitudPeliculas (MRJob):
OUTPUT_PROTOCOL = SemiColonValueProtocol
def steps (self):
return [
self.mr(mapper=self.agrupar_por_rating_usuario,
reducer=self.contar_rating_usuario),
self.mr(mapper=self.parejas_items,
reducer=self.calcular_similitud),
self.mr(mapper=self.calcular_ranking,
reducer=self.top_items_similares)
]
def agrupar_por_rating_usuario(self, key, line):
"""
Crea una lista con los id de usuario, con el item que evaluan y el rating
ID Item,Rating
"""
user_id, item_id, rating = line.split('|')
#rating = rating[:-1]
yield user_id, (item_id, float(rating))
def contar_rating_usuario(self, user_id, values):
"""
Para cara usuario crea una linea con sus post:
ID conteo_Items, suma_Items,(Item, Rating)
"""
conteo_items = 0
suma_items = 0
final = []
for item_id, rating in values:
conteo_items += 1
suma_items += rating
final.append((item_id, rating))
yield user_id, (conteo_items, suma_items, final)
def parejas_items(self, user_id, values):
"""
Aca se elimina el usuario de la clave
Se emite una nueva clave como pares de peliculas, con
su combinacion de ratings
"""
conteo_items, suma_items, ratings = values
for item1, item2 in combinations(ratings, 2):
yield (item1[0], item2[0]), \
(item1[1], item2[1])
def calcular_similitud(self, pair_key, lines):
"""
Se suman los componentes de cada par con todos los usuarios que
calificaron los items X y Y del par, luego se calcula la similitud
de Pearson. Esta es normalizada entre [0,1] por el sort numerico
"""
sum_xx, sum_xy, sum_yy, sum_x, sum_y, n = (0.0, 0.0, 0.0, 0.0, 0.0, 0)
item_pair, co_ratings = pair_key, lines
item_xname, item_yname = item_pair
for item_x, item_y in lines:
sum_xx += item_x * item_x
sum_yy += item_y * item_y
sum_xy += item_x * item_y
sum_x += item_x
sum_y += item_y
n += 1
corr_sim = correlation(n, sum_xy, sum_x,
sum_y, sum_xx, sum_yy)
reg_corr_sim = regularized_correlation(n, sum_xy, sum_x, sum_y,
sum_xx, sum_yy, PRIOR_COUNT, PRIOR_CORRELATION)
cos_sim = cosine(sum_xy, sqrt(sum_xx), sqrt(sum_yy))
jaccard_sim = 0.0
yield (item_xname, item_yname), (corr_sim, cos_sim,
reg_corr_sim, jaccard_sim, n)
def calcular_ranking(self, item_keys, values):
"""
Emite items con similitud en clave por ranking:
X, similitud Y, n
"""
corr_sim, cos_sim, reg_corr_sim, jaccard_sim, n = values
item_x, item_y = item_keys
if int(n) > 0:
yield (item_x, corr_sim, cos_sim, reg_corr_sim, jaccard_sim), \
(item_y, n)
def top_items_similares(self, key_sim, similar_ns):
"""
Por cada item emite los K items mas cercanos
"""
item_x, corr_sim, cos_sim, reg_corr_sim, jaccard_sim = key_sim
for item_y, n in similar_ns:
yield None, (item_x, item_y, corr_sim, cos_sim, reg_corr_sim,
jaccard_sim, n)
if __name__ == '__main__':
SimilitudPeliculas.run()