def class_item_hot(self):
# 各类商品 关联商品热度 统计结果为购买某一类商品后 其他各个商品出现其后的概率
self.like_matrix = np.zeros((self.top_k + 1, self.class_num + 1),
float) # 最后一行记录残余项
# 关联数
temp_array = np.array([-1] * self.num_k) #
index_temp = 0
for i_record in xrange(0, self.record_num + 1):
temp = self.user_item_array[i_record, ] # 商品 时间差
# 某用户的第一个商品
if temp[1] == 0:
temp_array = np.array([-1] * self.num_k)
index_temp = 0
item_index = self.item_dict.get(temp[0], 0) # 最后一行为残余项求和
class_id = self.item_class[item_index]
class_index = self.class_dict[class_id] # 商品类别列编号
temp_array[index_temp] = class_index
item_index = min(item_index, self.top_k)
# 前top_k个类别在的此商品上+1
for x in xrange(0, self.num_k):
class_id0 = self.add_circle(index_temp, -x)
class_index0 = temp_array[class_id0]
if class_index0 == -1:
break
self.like_matrix[item_index, class_index0] += 1
index_temp = self.add_circle(index_temp, 1) # 下一个位置
# 将 like_matrix 直接转化为概率
col_sum = self.like_matrix.sum(0) # 按照列 求和
# row_sum = self.like_matrix.sum(1) # 按照行 求和
pes = Pro_estimate()
p_pre_before = -1 # 上一次计算的先验概率
for item_index in xrange(0, self.top_k + 1):
# 前 top_k 个是商品 最后一项为残余项
if item_index % 200 == 0:
print time.time()
if item_index == self.top_k:
p_pre = 1 - 1.0 * sum(
self.item_array[0:self.top_k, 1]) / (self.record_num + 1)
else:
p_pre = 1.0 * self.item_array[item_index,
1] / (self.record_num + 1)
if abs(1 - p_pre / p_pre_before) > 0.01:
# 本次的原假设与已经存储的原假设差别较大 重置先验分布
pes.solve_function(p_pre)
pes.set_array()
p_pre_before = p_pre
for class_index in xrange(0, self.class_num + 1):
self.like_matrix[item_index, class_index] = \
pes.get_pro(self.like_matrix[item_index, class_index], col_sum[class_index])
def class_item_hot(self):
# 各类商品 关联商品热度 统计结果为购买某一类商品后 其他各个商品出现其后的概率
self.like_matrix = np.zeros((self.top_k + 1, self.class_num + 1), float) # 最后一行记录残余项
# 关联数
temp_array = np.array([-1] * self.num_k) #
index_temp = 0
for i_record in xrange(0, self.record_num + 1):
temp = self.user_item_array[i_record,] # 商品 时间差
# 某用户的第一个商品
if temp[1] == 0:
temp_array = np.array([-1] * self.num_k)
index_temp = 0
item_index = self.item_dict.get(temp[0], 0) # 最后一行为残余项求和
class_id = self.item_class[item_index]
class_index = self.class_dict[class_id] # 商品类别列编号
temp_array[index_temp] = class_index
item_index = min(item_index, self.top_k)
# 前top_k个类别在的此商品上+1
for x in xrange(0, self.num_k):
class_id0 = self.add_circle(index_temp, -x)
class_index0 = temp_array[class_id0]
if class_index0 == -1:
break
self.like_matrix[item_index, class_index0] += 1
index_temp = self.add_circle(index_temp, 1) # 下一个位置
# 将 like_matrix 直接转化为概率
col_sum = self.like_matrix.sum(0) # 按照列 求和
# row_sum = self.like_matrix.sum(1) # 按照行 求和
pes = Pro_estimate()
p_pre_before = -1 # 上一次计算的先验概率
for item_index in xrange(0, self.top_k + 1):
# 前 top_k 个是商品 最后一项为残余项
if item_index % 200 == 0:
print time.time()
if item_index == self.top_k:
p_pre = 1 - 1.0 * sum(self.item_array[0:self.top_k, 1]) / (self.record_num + 1)
else:
p_pre = 1.0 * self.item_array[item_index, 1] / (self.record_num + 1)
if abs(1 - p_pre / p_pre_before) > 0.01:
# 本次的原假设与已经存储的原假设差别较大 重置先验分布
pes.solve_function(p_pre)
pes.set_array()
p_pre_before = p_pre
for class_index in xrange(0, self.class_num + 1):
self.like_matrix[item_index, class_index] = \
pes.get_pro(self.like_matrix[item_index, class_index], col_sum[class_index])
def count_items(self, item_id, user_str):
"""
:type item_id: 商品id 整数
:type user_str: item_id 的购买者列表 字符串，不同用户逗号间隔
"""
# 空的 user 列表
if user_str[0:2] == "-1":
peo_result = self.peo_exp.associated_items(item_id)
result_str = str(item_id) + " "
num1 = 0
for temp_item_id in peo_result:
result_str += str(temp_item_id) + ","
num1 += 1
my_orders = np.argsort(-self.temp_item_array_hot)
result_str += str(int(self.item_array[my_orders[0], 0]))
for i_order in xrange(1, self.r_top_num - num1):
result_str += "," + str(int(self.item_array[my_orders[i_order], 0]))
return result_str
# k_step = self.range # 认为紧接前K个商品之间有匹配关系
result_array = np.array([0.0] * (self.item_num + 1))
user_list = user_str.split(",")
for user in user_list:
user_index = self.user_dict[int(user)]
for i_record in xrange(self.user_array[user_index, 0], self.user_array[user_index, 1]):
if (i_record > self.user_array[user_index, 0]) and (
self.user_item_array[i_record, 0] == self.user_item_array[i_record - 1, 0]
):
continue # 连续的购买相同商品
temp = self.user_item_array[i_record,] # 商品 时间差
# 向前看n个商品
i_diff = 0
while i_diff < self.range:
pre_ind = i_record - 1 - i_diff
if pre_ind >= self.user_array[user_index, 0]: # 同一用户的记录范围内
temp_now = self.user_item_array[pre_ind, :]
if (temp[1] - temp_now[1]) <= self.day_diff: # 时间范围内
item_index = self.item_dict.get(temp_now[0], -1)
if item_index != -1:
result_array[item_index] += self.order_weight[i_diff]
else:
continue
else:
break
i_diff += 1
else:
break
# 向后看n个商品
i_diff = 0
while i_diff < self.range:
suf_ind = i_record + 1 + i_diff
if suf_ind < self.user_array[user_index, 1]: # 此处为 小于号
temp_now = self.user_item_array[suf_ind, :]
if (temp_now[1] - temp[1]) <= self.day_diff: # 时间范围内
item_index = self.item_dict.get(temp_now[0], -1)
if item_index != -1:
result_array[item_index] += self.order_weight[i_diff]
else:
continue
else:
break
i_diff += 1
else:
break
# 将 result_array 直接转化为概率
# 计算统计 该商品的关联性质
array_sum = sum(result_array) # 按照列 求和
temp_result_array = np.zeros((600, 2)) # 存储 计算结果
result_dict = {}
my_orders1 = np.argsort(-result_array) # 类依据 概率 降序 取序号
my_orders2 = np.argsort(-self.temp_item_array_hot)
peo_result = self.peo_exp.associated_items(item_id)
i_temp_result = 0
# 首先录入 人工产品
for temp_item_id in peo_result:
temp_item_index = self.item_dict.get(temp_item_id, 0)
temp_result_array[i_temp_result, :] = [temp_item_id, 1 + result_array[temp_item_index] / array_sum]
result_dict[temp_item_index] = i_temp_result
i_temp_result += 1
pes = Pro_estimate()
# 计算类建议中最大的200个
item_index = self.item_dict.get(item_id, -1)
if item_index == -1:
class_id = -1
else:
class_id = self.item_class[item_index]
for i_order in xrange(0, self.r_top_num):
temp_item_index = my_orders2[i_order] # 商品的下标
if self.item_class[temp_item_index] == class_id:
continue # 类别相同
if result_dict.get(temp_item_index, -1) != -1:
continue # 已经录入
pes.solve_function(self.temp_item_array_hot[temp_item_index])
pes.set_array()
temp_pro = pes.get_pro(result_array[temp_item_index], array_sum)
temp_result_array[i_temp_result, :] = [self.item_array[temp_item_index, 0], temp_pro]
result_dict[temp_item_index] = i_temp_result
i_temp_result += 1
# 计算同类用户的建议中的最大 400个
for i_order in xrange(0, self.item_num):
temp_item_index = my_orders1[i_order] # 商品的下标
if self.item_class[temp_item_index] == class_id:
continue # 类别相同
if result_dict.get(temp_item_index, -1) != -1:
continue # 已经录入
pes.solve_function(self.temp_item_array_hot[temp_item_index])
pes.set_array()
temp_pro = pes.get_pro(result_array[temp_item_index], array_sum)
temp_result_array[i_temp_result, :] = [self.item_array[temp_item_index, 0], temp_pro]
result_dict[temp_item_index] = i_temp_result
i_temp_result += 1
if i_temp_result > 400:
break
temp_result_array = temp_result_array[0:i_temp_result, :]
temp_order = np.argsort(-temp_result_array[:, 1]) # 按照概率降序排列
result_str = str(item_id) + " " + str(int(temp_result_array[temp_order[0], 0]))
for i in xrange(1, self.r_top_num):
result_str += "," + str(int(temp_result_array[temp_order[i], 0]))
return result_str
def class_item_hot(self):
# 各类商品 关联商品热度 统计结果为购买某一类商品后 其他各个商品出现其后的概率
self.like_matrix = np.zeros((self.top_k + 1, self.class_num + 1)) # 最后一行记录残余项
# 关联数
for i_user in xrange(0, self.user_num + 1):
for i_record in xrange(self.user_array[i_user, 0], self.user_array[i_user, 1]):
if (i_record > self.user_array[i_user, 0]) and (
self.user_item_array[i_record, 0] == self.user_item_array[i_record - 1, 0]
):
continue # 连续的购买相同商品
temp = self.user_item_array[i_record,] # 商品 时间差
class_index = self.class_dict.get(temp[0], -1)
if class_index == -1:
continue
# 向前看n个商品
i_diff = 0
while i_diff < self.range:
pre_ind = i_record - 1 - i_diff
if pre_ind >= self.user_array[i_user, 0]: # 同一用户的记录范围内
temp_now = self.user_item_array[pre_ind, :]
if (temp[1] - temp_now[1]) <= self.day_diff: # 时间范围内
item_index = self.item_dict.get(temp_now[0], -1)
item_index = min(item_index, self.top_k) # top+1列存储其他所有
if item_index != -1:
self.like_matrix[item_index, class_index] += self.order_weight[i_diff]
else:
continue
else:
break
i_diff += 1
else:
break
# 向后看n个商品
i_diff = 0
while i_diff < self.range:
suf_ind = i_record + 1 + i_diff
if suf_ind < self.user_array[i_user, 1]: # 此处为 小于号
temp_now = self.user_item_array[suf_ind, :]
if (temp_now[1] - temp[1]) <= self.day_diff: # 时间范围内
item_index = self.item_dict.get(temp_now[0], -1)
item_index = min(item_index, self.top_k) # top+1列存储其他所有
if item_index != -1:
self.like_matrix[item_index, class_index] += self.order_weight[i_diff]
else:
continue
else:
break
i_diff += 1
else:
break
# 将 like_matrix 直接转化为概率
col_sum = self.like_matrix.sum(0) # 按照列 求和
# row_sum = self.like_matrix.sum(1) # 按照行 求和
pes = Pro_estimate()
p_pre_before = -1 # 上一次计算的先验概率
un_set = True
for item_index in xrange(0, self.top_k + 1):
# 前 top_k 个是商品 最后一项为残余项
if item_index % 200 == 0:
print time.time()
if item_index == self.top_k:
p_pre = 1 - sum(self.item_array[0 : self.top_k, 1])
else:
p_pre = self.item_array[item_index, 1]
if abs(1 - p_pre / p_pre_before) > 0.01:
# 本次的原假设与已经存储的原假设差别较大 重置先验分布
pes.solve_function(p_pre)
un_set = True
p_pre_before = p_pre
for class_index in xrange(0, self.class_num + 1):
if self.like_matrix[item_index, class_index] > 50:
self.like_matrix[item_index, class_index] = (
self.like_matrix[item_index, class_index] / col_sum[class_index]
)
else:
if un_set:
un_set = False
pes.set_array()
self.like_matrix[item_index, class_index] = pes.get_pro(
self.like_matrix[item_index, class_index], col_sum[class_index]
)
def count_items(self, item_id, user_str):
"""
:type item_id: 商品id 整数
:type user_str: item_id 的购买者列表 字符串，不同用户逗号间隔
"""
# 空的 user 列表
if user_str[0:2] == '-1':
my_orders = np.argsort(-self.temp_item_array_hot)
result_str = str(item_id) + ' ' + str(self.item_array[my_orders[0],
0])
for i_order in xrange(1, self.r_top_num):
result_str += ',' + str(self.item_array[my_orders[i_order], 0])
return result_str
k_step = self.num_k # 认为紧接前K个商品之间有匹配关系
result_matrix = np.zeros((self.item_num + 1, k_step))
user_list = user_str.split(',')
for user in user_list:
user_index = self.user_dict[int(user)]
i_record = self.user_array[user_index, 0] # 用户开始的记录
start = False # 统计开始的标志
k = 0
while i_record < self.user_array[user_index, 1]:
if self.user_item_array[i_record, 0] == item_id:
start = True
k = 0 # 统计的个数 1开始计数
elif start & (k < k_step):
temp_item = self.user_item_array[i_record, 0]
item_index = self.item_dict[temp_item]
result_matrix[item_index, k] += 1 # 对应位置+1
k += 1
i_record += 1
# 计算统计 该商品的关联性质
col_sum = result_matrix.sum(0) # 按照列 求和
row_sum = result_matrix.sum(1) # 按照行 求和
temp_result_array = np.zeros((20000, 2)) # 存储 计算结果
temp_result = np.array([0.0] * len(col_sum))
my_orders = np.argsort(-self.temp_item_array_hot) # 概率 降序 取序号
i_temp_result = 0
pes = Pro_estimate()
for i_order in xrange(0, self.item_num + 1):
temp_item_index = my_orders[i_order] # 商品的下标
# 优化原假设 self.temp_item_array_hot
if (i_order < self.r_top_num) | (row_sum[temp_item_index] > 0):
try:
pes.solve_function(
self.temp_item_array_hot[temp_item_index])
except:
print self.temp_item_array_hot[temp_item_index]
pes.set_array()
for i in xrange(0, len(col_sum)):
temp_result[i] = pes.get_pro(
result_matrix[temp_item_index, i], col_sum[i])
temp_pro = self.union_pro(temp_result)
temp_result_array[i_temp_result] = [
self.item_array[temp_item_index, 0], temp_pro
] # 记录商品 其概率结果
i_temp_result += 1
if i_temp_result == 20000: # 超出记录空间 断出
break
temp_result_array = temp_result_array[0:i_temp_result, :]
temp_order = np.argsort(-temp_result_array[:, 1]) # 按照概率降序排列
result_str = str(item_id) + ' ' + str(temp_result_array[temp_order[0],
0])
for i in xrange(1, self.r_top_num):
result_str += ',' + str(int(temp_result_array[temp_order[i], 0]))
return result_str
def count_items(self, item_id, user_str):
"""
:type item_id: 商品id 整数
:type user_str: item_id 的购买者列表 字符串，不同用户逗号间隔
"""
# 空的 user 列表
if user_str[0:2] == '-1':
peo_result = self.peo_exp.associated_items(item_id)
result_str = str(item_id) + ' '
num1 = 0
for temp_item_id in peo_result:
result_str += str(temp_item_id) + ','
num1 += 1
my_orders = np.argsort(-self.temp_item_array_hot)
result_str += str(int(self.item_array[my_orders[0], 0]))
for i_order in xrange(1, self.r_top_num - num1):
result_str += ',' + str(int(self.item_array[my_orders[i_order], 0]))
return result_str
# k_step = self.range # 认为紧接前K个商品之间有匹配关系
result_array = np.array([0.0] * (self.item_num + 1))
user_list = user_str.split(',')
for user in user_list:
user_index = self.user_dict[int(user)]
for i_record in xrange(self.user_array[user_index, 0], self.user_array[user_index, 1]):
if (i_record > self.user_array[user_index, 0]) and \
(self.user_item_array[i_record, 0] == self.user_item_array[i_record - 1, 0]):
continue # 连续的购买相同商品
temp = self.user_item_array[i_record,] # 商品 时间差
# 向前看n个商品
i_diff = 0
while i_diff < self.range:
pre_ind = i_record - 1 - i_diff
if pre_ind >= self.user_array[user_index, 0]: # 同一用户的记录范围内
temp_now = self.user_item_array[pre_ind, :]
if (temp[1] - temp_now[1]) <= self.day_diff: # 时间范围内
item_index = self.item_dict.get(temp_now[0], -1)
if item_index != -1:
result_array[item_index] += self.order_weight[i_diff]
else:
continue
else:
break
i_diff += 1
else:
break
# 向后看n个商品
i_diff = 0
while i_diff < self.range:
suf_ind = i_record + 1 + i_diff
if suf_ind < self.user_array[user_index, 1]: # 此处为 小于号
temp_now = self.user_item_array[suf_ind, :]
if (temp_now[1] - temp[1]) <= self.day_diff: # 时间范围内
item_index = self.item_dict.get(temp_now[0], -1)
if item_index != -1:
result_array[item_index] += self.order_weight[i_diff]
else:
continue
else:
break
i_diff += 1
else:
break
# 将 result_array 直接转化为概率
# 计算统计 该商品的关联性质
array_sum = sum(result_array) # 按照列 求和
temp_result_array = np.zeros((600, 2)) # 存储 计算结果
result_dict = {}
my_orders1 = np.argsort(-result_array) # 类依据 概率 降序 取序号
my_orders2 = np.argsort(-self.temp_item_array_hot)
peo_result = self.peo_exp.associated_items(item_id)
i_temp_result = 0
# 首先录入 人工产品
for temp_item_id in peo_result:
temp_item_index = self.item_dict.get(temp_item_id, 0)
temp_result_array[i_temp_result, :] = [temp_item_id, 1 + result_array[temp_item_index] / array_sum]
result_dict[temp_item_index] = i_temp_result
i_temp_result += 1
pes = Pro_estimate()
# 计算类建议中最大的200个
item_index = self.item_dict.get(item_id, -1)
if item_index == -1:
class_id = -1
else:
class_id = self.item_class[item_index]
for i_order in xrange(0, self.r_top_num):
temp_item_index = my_orders2[i_order] # 商品的下标
if self.item_class[temp_item_index] == class_id:
continue # 类别相同
if result_dict.get(temp_item_index, -1) != -1:
continue # 已经录入
pes.solve_function(self.temp_item_array_hot[temp_item_index])
pes.set_array()
temp_pro = pes.get_pro(result_array[temp_item_index], array_sum)
temp_result_array[i_temp_result, :] = [self.item_array[temp_item_index, 0], temp_pro]
result_dict[temp_item_index] = i_temp_result
i_temp_result += 1
# 计算同类用户的建议中的最大 400个
for i_order in xrange(0, self.item_num):
temp_item_index = my_orders1[i_order] # 商品的下标
if self.item_class[temp_item_index] == class_id:
continue # 类别相同
if result_dict.get(temp_item_index, -1) != -1:
continue # 已经录入
pes.solve_function(self.temp_item_array_hot[temp_item_index])
pes.set_array()
temp_pro = pes.get_pro(result_array[temp_item_index], array_sum)
temp_result_array[i_temp_result, :] = [self.item_array[temp_item_index, 0], temp_pro]
result_dict[temp_item_index] = i_temp_result
i_temp_result += 1
if i_temp_result > 400:
break
temp_result_array = temp_result_array[0:i_temp_result, :]
temp_order = np.argsort(-temp_result_array[:, 1]) # 按照概率降序排列
result_str = str(item_id) + ' ' + str(int(temp_result_array[temp_order[0], 0]))
for i in xrange(1, self.r_top_num):
result_str += ',' + str(int(temp_result_array[temp_order[i], 0]))
return result_str
def class_item_hot(self):
# 各类商品 关联商品热度 统计结果为购买某一类商品后 其他各个商品出现其后的概率
self.like_matrix = np.zeros((self.top_k + 1, self.class_num + 1)) # 最后一行记录残余项
# 关联数
for i_user in xrange(0, self.user_num + 1):
for i_record in xrange(self.user_array[i_user, 0], self.user_array[i_user, 1]):
if (i_record > self.user_array[i_user, 0]) and \
(self.user_item_array[i_record, 0] == self.user_item_array[i_record - 1, 0]):
continue # 连续的购买相同商品
temp = self.user_item_array[i_record,] # 商品 时间差
class_index = self.class_dict.get(temp[0], -1)
if class_index == -1:
continue
# 向前看n个商品
i_diff = 0
while i_diff < self.range:
pre_ind = i_record - 1 - i_diff
if pre_ind >= self.user_array[i_user, 0]: # 同一用户的记录范围内
temp_now = self.user_item_array[pre_ind, :]
if (temp[1] - temp_now[1]) <= self.day_diff: # 时间范围内
item_index = self.item_dict.get(temp_now[0], -1)
item_index = min(item_index, self.top_k) # top+1列存储其他所有
if item_index != -1:
self.like_matrix[item_index, class_index] += self.order_weight[i_diff]
else:
continue
else:
break
i_diff += 1
else:
break
# 向后看n个商品
i_diff = 0
while i_diff < self.range:
suf_ind = i_record + 1 + i_diff
if suf_ind < self.user_array[i_user, 1]: # 此处为 小于号
temp_now = self.user_item_array[suf_ind, :]
if (temp_now[1] - temp[1]) <= self.day_diff: # 时间范围内
item_index = self.item_dict.get(temp_now[0], -1)
item_index = min(item_index, self.top_k) # top+1列存储其他所有
if item_index != -1:
self.like_matrix[item_index, class_index] += self.order_weight[i_diff]
else:
continue
else:
break
i_diff += 1
else:
break
# 将 like_matrix 直接转化为概率
col_sum = self.like_matrix.sum(0) # 按照列 求和
# row_sum = self.like_matrix.sum(1) # 按照行 求和
pes = Pro_estimate()
p_pre_before = -1 # 上一次计算的先验概率
un_set = True
for item_index in xrange(0, self.top_k + 1):
# 前 top_k 个是商品 最后一项为残余项
if item_index % 200 == 0:
print time.time()
if item_index == self.top_k:
p_pre = 1 - sum(self.item_array[0:self.top_k, 1])
else:
p_pre = self.item_array[item_index, 1]
if abs(1 - p_pre / p_pre_before) > 0.01:
# 本次的原假设与已经存储的原假设差别较大 重置先验分布
pes.solve_function(p_pre)
un_set = True
p_pre_before = p_pre
for class_index in xrange(0, self.class_num + 1):
if self.like_matrix[item_index, class_index] > 50:
self.like_matrix[item_index, class_index] = \
self.like_matrix[item_index, class_index] / col_sum[class_index]
else:
if un_set:
un_set = False
pes.set_array()
self.like_matrix[item_index, class_index] = \
pes.get_pro(self.like_matrix[item_index, class_index], col_sum[class_index])
def count_items(self, item_id, user_str):
"""
:type item_id: 商品id 整数
:type user_str: item_id 的购买者列表 字符串，不同用户逗号间隔
"""
# 空的 user 列表
if user_str[0:2] == '-1':
my_orders = np.argsort(-self.temp_item_array_hot)
result_str = str(item_id) + ' ' + str(self.item_array[my_orders[0], 0])
for i_order in xrange(1, self.r_top_num):
result_str += ',' + str(self.item_array[my_orders[i_order], 0])
return result_str
k_step = self.num_k # 认为紧接前K个商品之间有匹配关系
result_matrix = np.zeros((self.item_num + 1, k_step))
user_list = user_str.split(',')
for user in user_list:
user_index = self.user_dict[int(user)]
i_record = self.user_array[user_index, 0] # 用户开始的记录
start = False # 统计开始的标志
k = 0
while i_record < self.user_array[user_index, 1]:
if self.user_item_array[i_record, 0] == item_id:
start = True
k = 0 # 统计的个数 1开始计数
elif start & (k < k_step):
temp_item = self.user_item_array[i_record, 0]
item_index = self.item_dict[temp_item]
result_matrix[item_index, k] += 1 # 对应位置+1
k += 1
i_record += 1
# 计算统计 该商品的关联性质
col_sum = result_matrix.sum(0) # 按照列 求和
row_sum = result_matrix.sum(1) # 按照行 求和
temp_result_array = np.zeros((20000, 2)) # 存储 计算结果
temp_result = np.array([0.0] * len(col_sum))
my_orders = np.argsort(-self.temp_item_array_hot) # 概率 降序 取序号
i_temp_result = 0
pes = Pro_estimate()
for i_order in xrange(0, self.item_num + 1):
temp_item_index = my_orders[i_order] # 商品的下标
# 优化原假设 self.temp_item_array_hot
if (i_order < self.r_top_num) | (row_sum[temp_item_index] > 0):
try:
pes.solve_function(self.temp_item_array_hot[temp_item_index])
except:
print self.temp_item_array_hot[temp_item_index]
pes.set_array()
for i in xrange(0, len(col_sum)):
temp_result[i] = pes.get_pro(result_matrix[temp_item_index, i], col_sum[i])
temp_pro = self.union_pro(temp_result)
temp_result_array[i_temp_result] = [self.item_array[temp_item_index, 0], temp_pro] # 记录商品 其概率结果
i_temp_result += 1
if i_temp_result == 20000: # 超出记录空间 断出
break
temp_result_array = temp_result_array[0:i_temp_result, :]
temp_order = np.argsort(-temp_result_array[:, 1]) # 按照概率降序排列
result_str = str(item_id) + ' ' + str(temp_result_array[temp_order[0], 0])
for i in xrange(1, self.r_top_num):
result_str += ',' + str(int(temp_result_array[temp_order[i], 0]))
return result_str