阅读小程序协同过滤算法代码

以下是一个简单的小程序协同过滤算法的代码示例：

# 定义一个用户评分矩阵，行代表用户，列代表商品，值代表用户对该商品的评分
ratings = [
    [5, 3, 0, 2, 4],
    [1, 0, 5, 4, 2],
    [2, 4, 1, 0, 0],
    [0, 3, 4, 2, 5]
]

# 计算每个用户之间的相似度，采用余弦相似度计算方法
def similarity(user1, user2):
    sum_xy = 0
    sum_x2 = 0
    sum_y2 = 0
    for i in range(len(user1)):
        x = user1[i]
        y = user2[i]
        sum_xy += x * y
        sum_x2 += pow(x, 2)
        sum_y2 += pow(y, 2)
    if sum_x2 == 0 or sum_y2 == 0:
        return 0
    else:
        return sum_xy / (pow(sum_x2, 0.5) * pow(sum_y2, 0.5))

# 推荐算法的实现
def recommend(user_id, ratings):
    # 找出用户未打分的商品
    unrated_items = []
    for i in range(len(ratings[user_id])):
        if ratings[user_id][i] == 0:
            unrated_items.append(i)

    # 计算用户与其他用户的相似度
    similarity_scores = []
    for i in range(len(ratings)):
        if i != user_id:
            sim_score = similarity(ratings[user_id], ratings[i])
            similarity_scores.append((i, sim_score))

    # 按相似度从大到小排序
    similarity_scores.sort(key=lambda x: x[1], reverse=True)

    # 找出最相似的用户并获得他的评分列表
    top_match = similarity_scores[0][0]
    match_ratings = ratings[top_match]

    # 计算每个未打分商品的推荐评分
    recommendations = []
    for i in unrated_items:
        rating = 0
        total_similarity = 0
        for j in range(len(match_ratings)):
            if match_ratings[j] != 0:
                rating += match_ratings[j] * similarity(ratings[user_id], ratings[j])
                total_similarity += similarity(ratings[user_id], ratings[j])
        if total_similarity != 0:
            recommendations.append((i, rating / total_similarity))

    # 按推荐评分从大到小排序并返回前n个
    recommendations.sort(key=lambda x: x[1], reverse=True)
    return recommendations[:n]

这个代码示例中，我们首先定义了一个用户评分矩阵，然后实现了一个相似度计算函数和一个推荐算法函数。推荐算法函数首先找出用户未打分的商品，然后计算用户与其他用户的相似度，找出最相似的用户并获得他的评分列表，最后计算每个未打分商品的推荐评分并返回前n个。这个算法比较简单，但是可以作为协同过滤算法的基础，可以进一步优化和扩展。