大学院講義「エンタテイメントシステム」のコーディング練習のために， オライリー「集合知プログラミング」から映画の評価からオススメを算出するための，各ユーザのユークリッド距離を算出するプグラムを書いた． 言語はProcessing 2.0（書籍はPython）． データファイル（test.csv）はこんな感じ．

id,Name,M1,M2,M3,M4,M5,M6
0,Rose,2.5,3.5,3,3.5,2.5,3
1,Semur,3,3.5,1.5,5,3.5,3
2,Michel P.,2.5,3,3.5,0,0,4
3,Puig,0,3.5,3,4,2.5,4.5
4,LaSalle,3,4,2,3,2,3
5,Matthieu,3,4,0,5,3.5,3
6,Tobby,0,4.5,0,4,1,0

Githubにソースと結果を置いておきました。 https://github.com/kaitas/ShiraiLabOpen/blob/master/Processing/Euclidean/Euclidean.pde [js] // Draw Euclidean from “Programming Collective Intelligence” to a PDF // http://shop.oreilly.com/product/9780596529321.do // Akihiko SHIRAI (shirai atto mail.com) 20140709 // for Master Lecture “Entainment Systems” // it may include some errors //Libraries import processing.pdf.; // globals PGraphicsPDF pdf; float L =5; // levels int MOVS = 7; // num of movies (1-7) int PERS = 7; // num of person (0-6) Table table; float[][] Critics = new float[7][7]; String[] Names = new String[7]; //convert to screen coordinates float XChange(float x){ x = width0.1+100x; return x; } float YChange(float y){ y = height(1-0.1)-100y; return y; } // To get n! (fact) int fact(int n) { if (n == 0) { return 1; } else { return n * fact(n - 1); } } void LoadDataFile(){ table = loadTable(“data.csv”,”header”); for (TableRow row : table.rows()) { int id = row.getInt(“id”); Critics[id][0] = id; Names[id] = row.getString(“Name”); for (int mov = 1; mov<=6 ; mov++ ) { Critics[id][mov] = row.getFloat(“M”+mov); } print(Names[id] + “(id=” + Critics[id][0] + “)”); for(int i=1;i<PERS;i++){ print(“ “ + Critics[id][i]); } println(“”); } } //line void DrawAxis(int m1, int m2){ float M =0.1; background(255); fill(0,0,0); strokeWeight(3); line(widthM,0,widthM,height);//tate_sen line(0,height(1-M),width,height(1-M));//yoko_sen text(“M”+m1,width(M/2)0.3,height(M/2)); text(“M”+m2,width(1-M)+20,height(1-M/2)); for(int i=0;i<L;i++){ float d1=widthM+i(width0.8)/L; float d2=heightM+(i+1)(height0.8)/L; line(widthM0.8,d1,widthM,d1); line(d2,height(1-M),d2,height(1-M0.8)); text(5-i,widthM0.3,d1+7);//tate_sen_kazu text(i+1,d2-7,height(1-M0.3),d2);//yoko_sen_kazu } } void DrawName(int id,int Mov1,int Mov2){ fill(0,0,100); text(““+Names[id]+”(“+Critics[id][Mov1]+”,”+Critics[id][Mov2]+”)”, XChange(Critics[id][Mov1]), YChange(Critics[id][Mov2])+10); } void Draw2Movies(int Mov1, int Mov2){ for (int i=0; i<Names.length; i++ ) { DrawName(i,Mov1,Mov2); } } // you can also use dist(x1, y1, x2, y2) from Processing API float Distance(int m1,int m2,int p1, int p2) { return sqrt( (Critics[p2][m1] - Critics[p1][m1])(Critics[p2][m1] - Critics[p1][m1]) +(Critics[p2][m2] - Critics[p1][m2])(Critics[p2][m2] - Critics[p1][m2]) ); } void DrawDistance(float d, int m1,int m2,int p1, int p2){ float x,y; x = ( Critics[p1][m1] + Critics[p2][m1] ) / 2.0f ; y = ( Critics[p1][m2] + Critics[p2][m2] ) / 2.0f ; fill(255,0,0,50); text(“”+(round(d100)/100.0f),XChange(x)-10,YChange(y)); } void DrawEuclidean(int m1,int m2,int p1, int p2){ // println(map(Distance(m1,m2,p1,p2),0,5,50,0)); //How to know map() stroke(10,10,10,map(Distance(m1,m2,p1,p2),0,5,50,10)); strokeWeight(0.5); line(XChange(Critics[p1][m1]),YChange(Critics[p1][m2]), XChange(Critics[p2][m1]),YChange(Critics[p2][m2])); } void setup() { size(640,640); //Open new PDF file pdf = (PGraphicsPDF)beginRecord(PDF, “Eucledean.pdf”); beginRecord(pdf); textSize(15); fill(90,90,90);//line_color LoadDataFile(); FloatDict GlobalDist = new FloatDict(); for (int m1=1; m1<MOVS; m1++) { for (int m2=m1+1; m2<MOVS; m2++) { println(“—-Movies(M”+m1+”,M”+m2+”)—–”); DrawAxis(m1,m2); Draw2Movies(m1,m2); FloatDict Dist = new FloatDict(); // for each graph // int Combination = fact(7) / ( fact(2) * fact( PERS - 2 ) ); // println(“Combination(“+PERS+”,2)=”+Combination); for (int p1=0; p1<PERS-1; p1++) { for (int p2=p1+1; p2<=PERS-1; p2++) { float d = Distance(m1,m2,p1,p2); DrawEuclidean(m1,m2,p1,p2); DrawDistance(d, m1,m2,p1,p2); // draw distance on the line GlobalDist.set(“M”+m1+”,M”+m2+”,”+p1+”,”+p2, d ); Dist.set(““+p1+”,”+p2, Distance(m1,m2,p1,p2)); } } Dist.sortValues(); //println(Dist); float[] DistVal = Dist.valueArray(); String[] DistPers = Dist.keyArray(); fill(255,10,10); text(“Eucledean[ M”+m1+” - M”+m2+” ]”, width0.6, height0.05); text(“min [“+DistPers[0]+”]=”+DistVal[0], width0.6, height0.1); text(“Max [“+DistPers[DistPers.length-1]+”]=”+DistVal[DistVal.length-1], width0.6, height0.15); save(“png/M”+m1+”-M”+m2+”.png”); pdf.nextPage(); //save a PDF page } } GlobalDist.sortValues(); println(GlobalDist); //close PDF file endRecord(); exit(); // Quit } [/js] 結果はこんな感じ [gallery type=”square” ids=”9061,9060,9059,9058,9057,9056,9055,9054,9053,9052,9051,9050,9049,9048,9047”] 大量のPNGファイルは比較して見づらいので、ついでにPDFでも出力するようにしました。 ユークリッド距離の代わりの類似性関数としてピアソン相関を計算しても良いけど、ここでは割愛します。 このあとは、上記図書のP16-17にあるように，類似性を使って評点を正規化して、新規のユーザもしくは未回答の映画に対してオススメを行います。 【追記】PDF出力を追加しました。