推荐算法python代码

以下是一个基于协同过滤的推荐算法的Python代码示例：

import numpy as np

# 创建一个用户-物品矩阵
# 行表示用户，列表示物品，数值表示用户对物品的评分
ratings = np.array([
    [5, 3, 0, 1, 4],
    [0, 2, 4, 5, 1],
    [1, 0, 5, 2, 3],
    [4, 0, 3, 0, 2],
    [2, 4, 1, 3, 5],
])

# 计算物品相似度
item_similarities = np.corrcoef(ratings.T)

# 预测用户对物品的评分
def predict_rating(ratings, item_similarities, user_id, item_id):
    # 找到用户已评分的物品
    rated_items = np.where(ratings[user_id] > 0)[0]
    # 根据物品相似度，计算出所有物品与待预测物品的相似度
    similarities = item_similarities[item_id, rated_items]
    # 找到与待预测物品最相似的k个物品
    k = 3
    top_k_similarities = np.sort(similarities)[-k:]
    top_k_indices = np.argsort(similarities)[-k:]
    # 根据这k个物品的评分，预测用户对待预测物品的评分
    ratings_k = ratings[user_id, rated_items[top_k_indices]]
    prediction = np.dot(top_k_similarities, ratings_k) / np.sum(top_k_similarities)
    return prediction

# 预测用户1对物品4的评分
prediction = predict_rating(ratings, item_similarities, 1, 3)
print(prediction)

在这个示例中，我们首先创建了一个用户-物品矩阵，然后计算出了物品之间的相似度矩阵。接着，我们定义了一个函数`predict_rating`，用于预测用户对某个物品的评分。该函数根据用户已评分的物品、物品相似度和待预测物品的编号，找到与待预测物品最相似的k个物品，然后根据这k个物品的评分，预测用户对待预测物品的评分。最后，我们用用户1和物品4作为参数调用`predict_rating`函数，得到了用户1对物品4的预测评分。