def AgregationStrategies(self, estrategia, canciongrupo, usuarios):
cancionesscore = []
if (estrategia == 1):
for c in canciongrupo:
score = []
evaluado = 0
for y in usuarios:
resp = next(
(l
for l in y.CancionRecomendar if l.SongId == c.SongId),
None)
if resp is not None:
score.append(resp.SongPred)
minval = min(score)
newcancion = cs.Cancion(c.SongId, "title", minval)
newcancion.SongPred = minval
cancionesscore.append(newcancion)
if (estrategia == 3):
for c in canciongrupo:
score = []
evaluado = 0
for y in usuarios:
resp = next(
(l
for l in y.CancionRecomendar if l.SongId == c.SongId),
None)
if resp is not None:
score.append(resp.SongPred)
meanval = statistics.mean(score)
newcancion = cs.Cancion(c.SongId, "title", meanval)
newcancion.SongPred = meanval
cancionesscore.append(newcancion)
if (estrategia == 2):
for c in canciongrupo:
score = []
evaluado = 0
for y in usuarios:
resp = next(
(l
for l in y.CancionRecomendar if l.SongId == c.SongId),
None)
if resp is not None:
score.append(resp.SongPred)
maxval = max(score)
newcancion = cs.Cancion(c.SongId, "title", maxval)
newcancion.SongPred = maxval
cancionesscore.append(newcancion)
return cancionesscore
def RecommendSongsEvalAlgorithm(user, predictions, model):
cancion = []
cancionrecomendar = []
for c in user.CancionRecomendar:
result = predictions[predictions['song_id'] == c.SongId]
resp = next((l for l in user.Canciones if l.SongId == c.SongId), None)
if (len(result.values) > 0):
cnscoren = cs.Cancion(c.SongId, "title",
result["listen_count"].values.flat[0])
cnscoren.SongPred = result["prediction"].values.flat[0]
cancionrecomendar.append(cnscoren)
if (resp != None):
canew = cs.Cancion(c.SongId, "title",
result["listen_count"].values.flat[0])
canew.ListenCount = result["listen_count"].values.flat[0]
cancion.append(canew)
else:
result = model.predict(user.UsuarioId, iid=c.SongId)
cnscoren = cs.Cancion(c.SongId, "title", result.est)
cnscoren.SongPred = result.est
cancionrecomendar.append(cnscoren)
user.CancionRecomendar = cancionrecomendar
user.Canciones = cancion
def RecommendNumSongs(model, userid, songs, numrecommend):
cancionusuario = []
for index, row in songs.iterrows():
songid = (row["song_id"])
result = model.predict(userid, iid=songid)
cancion = cs.Cancion(row["song_id"], str(row["title"]), result.est)
cancion.ArtistName = str(row["artist_name"])
cancion.Release = str(row["release"])
cancion.Year = row["year"]
cancion.SongPred = result.est
cancionusuario.append(cancion)
cancionusuario = sorted(cancionusuario,
key=lambda cancionuser: cancionuser.ListenCount,
reverse=True)
cancionusuario = cancionusuario[:numrecommend]
newuser = cs.Usuario(userid, cancionusuario)
return newuser
def EvalAlgorithm(self, numrecomendation, usuarioId):
db = GrupoService()
grupousuario = db.getGrupoByUsuario(usuarioId)
usuarios = []
for u in grupousuario.users:
usuarios.append(u.id)
model = self.mn.SvdAlgorithm(self.k)
Listgrupos = []
usuariogrupo = []
usuariorecommend = []
cancionesscore = []
listcanciones = []
cancionesprohibidas = []
songid = self.mn.UserRating["song_id"]
songid = songid.unique()
datasearcheable = self.mn.UserRating.set_index('user_id')
ud = datasearcheable[datasearcheable.index == (usuarioId)]
songescuchadaid = ud["song_id"].unique()
cancionescuchada = self.canciones[self.canciones.song_id.isin(
songescuchadaid)]
canciones = []
for index, row in cancionescuchada.iterrows():
cancion = cs.Cancion(row["song_id"], str(row["title"]), 0)
cancion.ArtistName = str(row["artist_name"])
cancion.Release = str(row["release"])
cancion.Year = row["year"]
canciones.append(cancion)
for y in usuarios:
user_data = datasearcheable[datasearcheable.index == (y)]
user_data = user_data["song_id"]
for c in user_data:
cancionesprohibidas.append(c)
cancionesprohibidas = list(set(cancionesprohibidas))
self.canciones = (self.canciones[self.canciones.song_id.isin(songid)])
self.canciones = (
self.canciones[~self.canciones.song_id.isin(cancionesprohibidas)])
cancionusuario = []
for y in usuarios:
usuario = bg.RecommendNumSongs(model, y, self.canciones, 200)
usuariogrupo.append(usuario)
for c in usuario.Canciones:
cancionusuario.append(c.SongId)
listcanciones.append(c)
cancionusuario = list(dict.fromkeys(cancionusuario))
for c in cancionusuario:
score = []
for y in usuariogrupo:
resp = next((l for l in y.Canciones if l.SongId == c), None)
if resp is not None:
score.append(resp.ListenCount)
else:
result = model.predict(y.UsuarioId, iid=c)
score.append(result.est)
scoref = min(score)
cancion = next((l for l in listcanciones if l.SongId == c), None)
cancion.Score = scoref
cancionesscore.append(cancion)
cancionesscore = sorted(
cancionesscore,
key=lambda cancionuser: cancionuser.ListenCount,
reverse=True)
cancionrecomendar = cancionesscore[0:numrecomendation]
recomend = cs.Recomendacion(canciones, cancionrecomendar)
return recomend
def ArmarGruposDefAleatorioEval(df1, songs, traindata, datarating):
usergroups = []
a = []
test_searcheable = datarating.set_index('user_id')
m = 1
totalcomun = 0
while (len(df1) > 0):
userlist = []
cancionrecomendar = []
n = random.randint(3, 5)
listcanciones = []
dictcanciones = {}
userlistid = []
cancionprohibida = []
for x in range(0, n):
if len(df1) > 0:
user = df1[0]
df1 = df1[df1 != user]
userlistid.append(user)
userInnerId = traindata.to_inner_uid(user)
trainset = traindata.ur[userInnerId]
for s in trainset:
innerid = s[0]
c = traindata.to_raw_iid(innerid)
cancionprohibida.append(c)
for x in userlistid:
usuariocancionlst = []
cancionusuario = []
if 1 > 0:
user = x
user_data = test_searcheable[test_searcheable.index == (user)]
if len(user_data) > 0:
user_data = user_data["song_id"]
for uc in user_data:
if (uc not in cancionprohibida):
newcancion = cs.Cancion(uc, "title", 0)
cancionusuario.append(newcancion)
usuariocancionlst.append(uc)
"""if(uc in dictcanciones):
dictcanciones[uc] = dictcanciones[uc]+1
else:
dictcanciones[uc]=1"""
newuser = cs.UsuarioArmarGrupo(user, len(user_data))
newuser.Canciones = cancionusuario
listcanciones.append(usuariocancionlst)
userlist.append(newuser)
listcancionrecomendar = []
cancionesgrupo = []
listcancionrecomendar = set(listcanciones[0])
for s in listcanciones[1:]:
listcancionrecomendar.intersection_update(s)
if (listcancionrecomendar != set()):
for i in listcancionrecomendar:
newcancion = cs.Cancion(i, "title", 0)
cancionesgrupo.append(newcancion)
for u in userlist:
u.CancionRecomendar = cancionesgrupo
u.Canciones = cancionesgrupo
newgroup = cs.GrupoUsuario(userlist, cancionesgrupo)
newgroup.Identificador = "g" + str(m)
if (len(userlist) > 1):
usergroups.append(newgroup)
m = m + 1
else:
listcancionrecomendar = []
for u in userlist:
for c in u.Canciones:
listcancionrecomendar.append(c.SongId)
listcancionrecomendar = list(set(listcancionrecomendar))
for i in listcancionrecomendar:
newcancion = cs.Cancion(i, "title", 0)
cancionesgrupo.append(newcancion)
for u in userlist:
u.CancionRecomendar = cancionesgrupo
newgroup = cs.GrupoUsuario(userlist, cancionesgrupo)
newgroup.Identificador = "g" + str(m)
if (len(userlist) > 1):
usergroups.append(newgroup)
m = m + 1
return usergroups
def ArmarGruposDefSimilaresEval(df1, songs, traindata, datarating, simMatrix):
usergroups = []
test_searcheable = datarating.set_index('user_id')
m = 1
k = 1
while (len(df1) > 0):
userlist = []
userlstid = []
cancionrecomendar = []
dictcanciones = {}
listcanciones = []
n = random.randint(2, 4)
user = df1[0]
testuserInnerId = traindata.to_inner_uid(user)
similarUsers = []
similarityrow = simMatrix[testuserInnerId]
df1 = df1[df1 != user]
for innerid, score in enumerate(similarityrow):
if (innerid != testuserInnerId):
usersimilarid = traindata.to_raw_uid(innerid)
if usersimilarid in df1:
similarUsers.append((usersimilarid, score))
Kneighbors = heapq.nlargest(n, similarUsers, key=lambda t: t[1])
userlstid.append(user)
for similaruser in Kneighbors:
innerid = similaruser[0]
df1 = df1[df1 != innerid]
userlstid.append(innerid)
cancionprohibida = []
for i in userlstid:
userInnerId = traindata.to_inner_uid(i)
trainset = traindata.ur[userInnerId]
for s in trainset:
innerid = s[0]
c = traindata.to_raw_iid(innerid)
cancionprohibida.append(c)
for i in userlstid:
user_data = test_searcheable[test_searcheable.index == (i)]
user_data = user_data["song_id"]
usuariocancionlst = []
cancionusuario = []
for uc in user_data:
if (uc not in cancionprohibida):
newcancion = cs.Cancion(uc, "title", 0)
cancionusuario.append(newcancion)
usuariocancionlst.append(uc)
"""if(uc in dictcanciones):
dictcanciones[uc] = dictcanciones[uc]+1
else:
dictcanciones[uc]=1"""
newuser = cs.UsuarioArmarGrupo(i, len(user_data))
newuser.Canciones = cancionusuario
listcanciones.append(usuariocancionlst)
userlist.append(newuser)
listcancionrecomendar = []
listcancionrecomendar = set(listcanciones[0])
for s in listcanciones[1:]:
listcancionrecomendar.intersection_update(s)
#listcancionrecomendar=set.intersection(listcanciones)
"""lenuser=len(userlist)
for (key, value) in dictcanciones.items():
if(value>=lenuser):
listcancionrecomendar.append(key)"""
cancionesgrupo = []
if (listcancionrecomendar != set()):
for i in listcancionrecomendar:
newcancion = cs.Cancion(i, "title", 0)
cancionesgrupo.append(newcancion)
for u in userlist:
u.CancionRecomendar = cancionesgrupo
u.Canciones = cancionesgrupo
newgroup = cs.GrupoUsuario(userlist, cancionesgrupo)
newgroup.Identificador = "g" + str(m)
if (len(userlist) > 1):
usergroups.append(newgroup)
m = m + 1
else:
listcancionrecomendar = []
for u in userlist:
for c in u.Canciones:
listcancionrecomendar.append(c.SongId)
listcancionrecomendar = list(set(listcancionrecomendar))
for i in listcancionrecomendar:
newcancion = cs.Cancion(i, "title", 0)
cancionesgrupo.append(newcancion)
for u in userlist:
u.CancionRecomendar = cancionesgrupo
newgroup = cs.GrupoUsuario(userlist, cancionesgrupo)
newgroup.Identificador = "g" + str(m)
if (len(userlist) > 1):
usergroups.append(newgroup)
m = m + 1
return usergroups