协调过滤推荐算法代码Python

协调过滤（Collaborative Filtering）是一种常用的推荐系统算法，它基于用户或物品的历史行为数据来进行个性化推荐。在Python中，协同过滤可以分为两种常见的类型：用户对用户（User-based Collaborative Filtering, UBCF）和物品对物品（Item-based Collaborative Filtering, IBCF）。以下是简单介绍以及一个简单的Python实现示例：

**用户对用户协同过滤**

from sklearn.neighbors import NearestNeighbors

# 假设我们有一个用户-评分矩阵
user_ratings = {
    'user1': [5, 4, 3],
    'user2': [4, 5, 0],
    'user3': [3, 2, 4],
    # 更多用户...
}

# 将用户评分转化为矩阵
rating_matrix = pd.DataFrame.from_dict(user_ratings, orient='index')

# 计算相似度矩阵（通常使用皮尔逊相关系数）
similarity = cosine_similarity(rating_matrix)

# 使用KNN找到相似用户
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(similarity, rating_matrix.index)

# 推荐新用户
new_user_ratings = ['user4']
recommended_items = knn.kneighbors(similarity[new_user_ratings], return_distance=False)[0]

**物品对物品协同过滤**

from surprise import Dataset, Reader, KNNBasic

# 数据预处理
data = Dataset.load_from_df(pd.DataFrame(user_ratings), reader=Reader(rating_scale=(1, 5)))

# 创建模型并训练
algo = KNNBasic()
algo.fit(data.build_full_trainset())

# 针对用户推荐物品
def recommend_for_user(user_id):
    testset = data.test[urm_to_index[user_id]]
    predictions = algo.test(testset)
    top_n = sorted(predictions, key=lambda x: x.est, reverse=True)[:10]  # 取前10个预测
    return [(i.objectid, i.est) for i in top_n]

recommend_for_user('user1')