def __init__(self):
self.data_dir = 'E:\\gitshell\\tianchi2'
# 词组
self.word_num = 0
self.dict_word = {}
self.top_k_word = 20000 # 详细计算前20000的词组
self.word_M = np.zeros((1000000, 2)) # 第一列 记录word_id 第二列 记录 概率对数
self.word_item_array = [""] * 1000000 # 每个词被哪些商品使用
self.word_word = np.zeros((3, 3))
# 需要预测的词组
self.r_word_num = 0
self.r_dict_word = {}
self.r_word_M = np.zeros((80000, 2))
self.test_item = []
# 商品
self.dict_item = {}
self.item_M = np.zeros((600000, 2), int) # item_id 类别编号
self.item_word_array = [""] * 600000
self.item_num = 0
# 类别
self.class_M = np.zeros((3000000, 2)) # 类别id 类别商品计数/ 概率对数
self.dict_class = {}
self.class_num = 0
self.class_class = np.zeros((2, 2))
# 原始人工经验
self.exp_peo = exp_of_people()
self.exp_peo.read_jingyan()
# self.matrix_item = np.zeros((10000000,3))
# 概率优化模块
self.pro_guji = Pro_estimate()
# 只考虑 最热的 6万 商品
self.item_top_k = 60000
# 原始的搭配概率
self.p_match = 0.0006 # 任意随机商品 搭配的概率
pass
def __init__(self):
self.data_dir = 'E:\\gitshell\\tianchi2'
# 词组
self.word_num = 0
self.dict_word = {}
self.top_k_word = 20000 # 详细计算前20000的词组
self.word_M = np.zeros((1000000, 2)) # 第一列 记录word_id 第二列 记录 概率对数
self.word_item_array = [""] * 1000000 # 每个词被哪些商品使用
self.word_word = np.zeros((3, 3))
# 需要预测的词组
self.r_word_num = 0
self.r_dict_word = {}
self.r_word_M = np.zeros((80000, 2))
self.test_item = []
# 商品
self.dict_item = {}
self.item_M = np.zeros((600000, 2), int) # item_id 类别编号
self.item_word_array = [""] * 600000
self.item_num = 0
# 类别
self.class_M = np.zeros((3000000, 2)) # 类别id 类别商品计数/ 概率对数
self.dict_class = {}
self.class_num = 0
self.class_class = np.zeros((2, 2))
# 原始人工经验
self.exp_peo = exp_of_people()
self.exp_peo.read_jingyan()
# self.matrix_item = np.zeros((10000000,3))
# 概率优化模块
self.pro_guji = Pro_estimate()
# 只考虑 最热的 6万 商品
self.item_top_k = 60000
# 原始的搭配概率
self.p_match = 0.0006 # 任意随机商品 搭配的概率
pass
def __init__(self):
self.data_dir = 'E:\\gitshell\\tianchi2'
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)
self.class_dict = {}
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
def __init__(self):
self.data_dir = "E:\\gitshell\\tianchi2"
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))
self.item_user_list = []
# 商品分类信息
self.item_class = np.zeros([0] * 20)
self.class_dict = {}
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()