协同过滤算法音乐推荐代码

协同过滤算法是一种常见的推荐系统技术，在音乐推荐中被广泛应用。它基于用户的历史行为数据（如歌曲播放、收藏或评分）来预测其他用户的兴趣，并向他们推荐可能喜欢但尚未发现的音乐。这里有两种主要类型的协同过滤：

1. 用户-用户协同过滤（User-based Collaborative Filtering, UBCF）：
这种方法寻找和目标用户具有相似喜好的邻居，然后根据这些邻居的行为推荐歌曲。例如，如果用户A和B过去对同一组歌曲都有高分评价，UBCF会认为B对A未听过的歌曲可能会感兴趣。

2. 物品-物品协同过滤（Item-based Collaborative Filtering, IBCF）：
在这种情况下，算法比较不同歌曲之间的相似度，然后推荐那些与用户已听歌曲相似的新歌。比如，如果用户经常听甲壳虫乐队，IBCF会推荐披头士风格的其他艺人作品。

以下是简化的Python代码片段，展示了如何用简单的用户-用户协同过滤做音乐推荐的基本步骤：

import numpy as np

# 假设我们有一个用户-歌曲评分矩阵
ratings = np.array([[5, 4, 0], [3, 0, 5], [0, 5, 4]], dtype=np.float32)

# 计算用户之间的皮尔逊相关系数作为相似度
similarity_matrix = np.corrcoef(ratings.T)

# 获取目标用户（这里假设为第一个用户）
target_user_index = 0

# 找到最相似的几个用户
top_n_users = np.argsort(similarity_matrix[target_user_index])[::-1][:n_neighbors]

# 对于每个相似用户，找到并推荐他们还没给目标用户评分的歌曲
recommended_items = set(range(len(ratings))) - set(ratings[target_user_index])
for user in top_n_users:
    similar_ratings = ratings[user][recommended_items]
    if len(similar_ratings) > 0:
        recommended_ratings = similar_ratings / similarity_matrix[target_user_index][user]
        # 推荐得分最高的几首歌
        recommendations.extend(recommended_ratings.argsort()[::-1][:n_recommendations])

print("推荐给用户", target_user_index, "的歌曲:", recommendations)

这只是一个基础示例，实际应用中的协同过滤会更复杂，涉及数据预处理、稀疏矩阵存储、动态更新用户评分等。