1.示例引入多个吃货在某美团的某家饭馆点餐，如下两道菜：可乐鸡翅： 红烧肉： 顾客吃过后，会有相关的星级评分。假设评分如下：评分可乐鸡翅 红烧肉小明 4 5小红 4 3小伟 2 3小芳 3 ？问题：请猜测一下小芳可能会给“红烧肉”打多少分？思路：把两道菜的平均差值求出来，可乐鸡翅减去红烧肉的平均偏差：[（4-5）+（4-3）+（2-3）]/3=-0.333。一个新客户比如小芳，只吃了可乐鸡翅评分为3分，那么可以猜测她对红烧肉的评分为：3-（-0.333）=3.333这就是slope one 的基本思路，非常非常的简单。2.slope one 算法思想Slope One 算法是由 Daniel Lemire 教授在 2005 年提出的一个Item-Based 的协同过滤推荐算法。和其它类似算法相比， 它的最大优点在于算法很简单， 易于实现， 执行效率高， 同时推荐的准确性相对较高。Slope One算法是基于不同物品之间的评分差的线性算法，预测用户对物品评分的个性化算法。主要两步：Step1:计算物品之间的评分差的均值，记为物品间的评分偏差(两物品同时被评分)； Step2:根据物品间的评分偏差和用户的历史评分，预测用户对未评分的物品的评分。 Step3:将预测评分排序，取topN对应的物品推荐给用户。举例：假设有100个人对物品A和物品B打分了，R(AB)表示这100个人对A和B打分的平均偏差;有1000个人对物品B和物品C打分了， R(CB)表示这1000个人对C和B打分的平均偏差； 3.Python实现3.1数据def loadData():items={'A':{1:5，2:3}，'B':{1:3，2:4，3:2}，'C':{1:2，3:5}}users={1:{'A':5，'B':3，'C':2}，2:{'A':3，'B':4}，3:{'B':2，'C':5}}return items，users3.2物品间评分偏差# 计算物品之间的评分差# items:从物品角度，考虑评分# users:从用户角度，考虑评分def buildAverageDiffs(items，users，averages):#遍历每条物品-用户评分数据 for itemId in items:for otherItemId in items:average=0.0 #物品间的评分偏差均值userRatingPairCount=0 #两件物品均评过分的用户数if itemId!=otherItemId: #若无不同的物品项for userId in users: #遍历用户-物品评分数userRatings=users[userId] #每条数据为用户对物品的评分#当前物品项在用户的评分数据中，且用户也对其他物品由评分if itemId in userRatings and otherItemId in userRatings:#两件物品均评过分的用户数加1userRatingPairCount+=1#评分偏差为每项当前物品评分-其他物品评分求和average+=(userRatings[otherItemId]-userRatings[itemId])averages[(itemId，otherItemId)]=average/userRatingPairCount3.3预估评分#***预测评分#users:用户对物品的评分数据#items：物品由哪些用户评分的数据#averages：计算的评分偏差#targetUserId：被推荐的用户#targetItemId：被推荐的物品def suggestedRating(users，items，averages，targetUserId，targetItemId):runningRatingCount=0 #预测评分的分母weightedRatingTotal=0.0 #分子for i in users[targetUserId]:#物品i和物品targetItemId共同评分的用户数ratingCount=userWhoRatedBoth(users，i，targetItemId)#分子weightedRatingTotal+=(users[targetUserId][i]-averages[(targetItemId，i)])*ratingCount#分母runningRatingCount+=ratingCount#返回预测评分return weightedRatingTotal/runningRatingCount统计两物品共同评分的用户数# 物品itemId1与itemId2共同有多少用户评分def userWhoRatedBoth(users，itemId1，itemId2):count=0#用户-物品评分数据for userId in users:#用户对物品itemId1与itemId2都评过分则计数加1if itemId1 in users[userId] and itemId2 in users[userId]:count+=1return count3.4 测试结果:if __name__=='__main__':items，users=loadData()averages={}#计算物品之间的评分差buildAverageDiffs(items，users，averages)#预测评分:用户2对物品C的评分predictRating=suggestedRating(users，items，averages，2，'C')print ('Guess the user will rate the score :'，predictRating)结果：用户2对物品C的预测分值为Guess the user will rate the score : 3.333333333334.slopeOne使用场景该算法适用于物品更新不频繁，数量相对较稳定并且物品数目明显小于用户数的场景。依赖用户的用户行为日志和物品偏好的相关内容。优点：1.算法简单，易于实现，执行效率高；2.可以发现用户潜在的兴趣爱好；缺点：1.依赖用户行为，存在冷启动问题和稀疏性问题。