电影数据推荐系统算法代码

推荐系统算法代码一般包括数据预处理、模型训练和推荐结果生成三个部分。下面是一个简单的电影推荐系统的例子。

1. 数据预处理

首先，我们需要准备好电影数据。这里我们使用MovieLens数据集。我们将使用pandas库来读取和预处理数据。

import pandas as pd

# 读取电影数据
movies_df = pd.read_csv('movies.csv')

# 只保留需要的列
movies_df = movies_df[['movieId', 'title']]

# 读取评分数据
ratings_df = pd.read_csv('ratings.csv')

# 只保留需要的列
ratings_df = ratings_df[['userId', 'movieId', 'rating']]

# 计算电影的平均评分
movie_ratings_df = ratings_df.groupby(['movieId']).mean()

# 合并电影数据和评分数据
movies_df = pd.merge(movies_df, movie_ratings_df, on='movieId')

# 将电影名称和ID映射为字典
title_to_movie_id = {}
movie_id_to_title = {}

for index, row in movies_df.iterrows():
    title_to_movie_id[row['title']] = row['movieId']
    movie_id_to_title[row['movieId']] = row['title']

2. 模型训练

我们将使用协同过滤算法来训练我们的推荐模型。这里我们使用Surprise库来实现。

from surprise import Dataset, Reader
from surprise import KNNBasic
from surprise.model_selection import train_test_split

# 读取数据
reader = Reader(rating_scale=(0.5, 5.0))
data = Dataset.load_from_df(ratings_df[['userId', 'movieId', 'rating']], reader)

# 将数据随机分成训练集和测试集
trainset, testset = train_test_split(data, test_size=.25)

# 训练模型
algo = KNNBasic()
algo.fit(trainset)

3. 推荐结果生成

现在我们可以使用训练好的模型来生成推荐结果。这里我们将实现两个推荐功能：基于用户的协同过滤推荐和基于电影的相似性推荐。

# 基于用户的协同过滤推荐
def user_based_recommendations(user_id):
    # 获取该用户没有评分过的电影列表
    unrated_movies = movies_df[~movies_df['movieId'].isin(ratings_df[ratings_df['userId'] == user_id]['movieId'])]

    # 为每个电影计算预测评分
    predictions = []
    for index, row in unrated_movies.iterrows():
        movie_id = row['movieId']
        prediction = algo.predict(user_id, movie_id)
        predictions.append((movie_id, prediction.est))

    # 根据预测评分排序并返回前10个电影
    predictions.sort(key=lambda x: x[1], reverse=True)
    top_predictions = predictions[:10]

    # 将电影ID转换为电影名称
    recommended_movies = []
    for movie_id, _ in top_predictions:
        recommended_movies.append(movie_id_to_title[movie_id])

    return recommended_movies

# 基于电影的相似性推荐
def movie_based_recommendations(movie_title):
    # 找到与该电影相似的电影列表
    movie_id = title_to_movie_id[movie_title]
    movie_neighbors = algo.get_neighbors(movie_id, k=10)

    # 将电影ID转换为电影名称
    recommended_movies = []
    for neighbor_id in movie_neighbors:
        recommended_movies.append(movie_id_to_title[neighbor_id])

    return recommended_movies

这样，我们就实现了一个简单的电影推荐系统。