音乐推荐协同过滤算法

协同过滤算法是一种常用的音乐推荐算法。它基于用户之间的相似性或项目之间的相似性来进行推荐。具体而言，协同过滤算法分为两种类型：基于用户的协同过滤和基于项目的协同过滤。

基于用户的协同过滤算法首先计算用户之间的相似性，然后根据相似用户的喜好来推荐音乐。例如，如果用户A和用户B喜欢相似的音乐，那么当用户A喜欢一首新歌时，可以将这首新歌推荐给用户B。

基于项目的协同过滤算法则是根据用户对音乐的评分或喜好来计算音乐之间的相似性，然后根据用户的历史喜好来推荐相似的音乐。例如，如果用户A喜欢一首特定的歌曲，那么可以根据这首歌曲的相似度来推荐其他相似的歌曲给用户A。

这些算法可以通过计算用户之间的相似度矩阵或项目之间的相似度矩阵来实现。然后，根据相似度矩阵和用户的历史喜好来进行推荐。

以下是一个基于用户的协同过滤算法的示例代码：

# 用户对音乐的评分数据
ratings = {
    'user1': {'music1': 5, 'music2': 3, 'music3': 4, 'music4': 4},
    'user2': {'music1': 3, 'music2': 1, 'music3': 2, 'music4': 3, 'music5': 3},
    'user3': {'music1': 4, 'music2': 3, 'music3': 4, 'music5': 5},
    'user4': {'music2': 3, 'music3': 5, 'music4': 4, 'music5': 4}
}

# 计算用户之间的相似度
def calculate_similarity(user1, user2):
    common_music = set(ratings[user1].keys()) & set(ratings[user2].keys())
    if len(common_music) == 0:
        return 0
    sum_of_squares = sum([(ratings[user1][music] - ratings[user2][music]) ** 2 for music in common_music])
    return 1 / (1 + sum_of_squares)

# 根据相似用户的喜好进行推荐
def recommend_music(user):
    similarities = [(calculate_similarity(user, other_user), other_user) for other_user in ratings if other_user != user]
    similarities.sort(reverse=True)
    recommendations = {}
    for similarity, other_user in similarities:
        for music in ratings[other_user]:
            if music not in ratings[user]:
                weight = similarity * ratings[other_user][music]
                if music in recommendations:
                    recommendations[music] += weight
                else:
                    recommendations[music] = weight
    recommendations = sorted(recommendations.items(), key=lambda x: x[1], reverse=True)
    return recommendations

# 示例使用
user = 'user1'
recommended_music = recommend_music(user)
print(f"Recommended music for {user}:")
for music, weight in recommended_music:
    print(f"{music}: {weight}")