协同过滤算法python代码实现

协同过滤算法是一种常用的推荐算法，可以根据用户的行为和兴趣来推荐相关的物品。下面是一个简单的基于用户的协同过滤算法的Python代码实现：

import numpy as np

# 创建一个用户-物品矩阵
user_item_matrix = np.array([
    [5, 3, 0, 1],
    [4, 0, 0, 1],
    [1, 1, 0, 5],
    [1, 0, 0, 4],
    [0, 1, 5, 4]
])

# 计算用户之间的相似度
def compute_similarity(user_item_matrix):
    similarity_matrix = np.zeros((user_item_matrix.shape[0], user_item_matrix.shape[0]))
    for i in range(user_item_matrix.shape[0]):
        for j in range(user_item_matrix.shape[0]):
            if i != j:
                common_items = np.nonzero(user_item_matrix[i] * user_item_matrix[j])[0]
                if len(common_items) > 0:
                    similarity_matrix[i][j] = np.sum(user_item_matrix[i][common_items] \
                                                     * user_item_matrix[j][common_items]) \
                                              / (np.sqrt(np.sum(user_item_matrix[i][common_items] ** 2)) \
                                                 * np.sqrt(np.sum(user_item_matrix[j][common_items] ** 2)))
    return similarity_matrix

# 根据相似度进行推荐
def recommend(similarity_matrix, user_item_matrix, user_id):
    scores = np.zeros(user_item_matrix.shape[1])
    for i in range(user_item_matrix.shape[0]):
        if i != user_id:
            scores += similarity_matrix[user_id][i] * user_item_matrix[i]
    rankings = np.argsort(scores)[::-1]
    return rankings

# 测试推荐结果
similarity_matrix = compute_similarity(user_item_matrix)
user_id = 0
recommendations = recommend(similarity_matrix, user_item_matrix, user_id)
print("推荐物品的排序：", recommendations)

上述代码中，我们首先创建了一个用户-物品矩阵`user_item_matrix`，其中行代表用户，列代表物品，元素表示用户对物品的评分（0表示用户没有对该物品评分）。

然后，使用`compute_similarity`函数计算用户之间的相似度矩阵`similarity_matrix`，其中相似度使用余弦相似度进行计算。

最后，使用`recommend`函数根据相似度进行推荐，其中`user_id`表示待推荐的用户编号，返回一个按照推荐物品排序的列表。

在示例中，我们将用户0作为待推荐用户，输出了推荐物品的排序。你可以根据自己的需求进行修改和扩展。