协同过滤推荐算法python实现

以下是基于物品的协同过滤推荐算法的Python实现：

import numpy as np

# 创建一个用户-物品评分矩阵
ratings = np.array([[4, 0, 2, 0, 1],
                    [0, 2, 3, 0, 0],
                    [1, 0, 2, 4, 0],
                    [5, 0, 0, 3, 1],
                    [0, 0, 1, 5, 1]])

# 计算物品之间的相似度
def item_similarity(ratings):
    # 计算物品之间的余弦相似度
    sim = ratings.T.dot(ratings) / (np.sqrt(np.sum(ratings.T ** 2, axis=1)).reshape(-1, 1) * np.sqrt(np.sum(ratings ** 2, axis=1)))
    return sim

# 预测目标用户对物品的评分
def predict(ratings, sim):
    # 计算每个物品的平均评分
    mean_ratings = np.sum(ratings, axis=0) / np.sum(ratings != 0, axis=0)
    # 计算预测评分
    pred = np.zeros(ratings.shape)
    for i in range(ratings.shape[0]):
        for j in range(ratings.shape[1]):
            if ratings[i, j] == 0:
                pred[i, j] = np.sum(sim[j, :] * (ratings[i, :] - mean_ratings) * (ratings[:, j] != 0)) / np.sum(np.abs(sim[j, :] * (ratings[:, j] != 0)))
    return pred

# 测试
sim = item_similarity(ratings)
pred = predict(ratings, sim)
print(pred)

以上代码实现了一个简单的基于物品的协同过滤推荐算法，其中`ratings`是一个用户-物品评分矩阵，每行代表一个用户，每列代表一个物品，矩阵中的元素是用户对物品的评分。`item_similarity`函数计算物品之间的相似度，这里使用的是余弦相似度。`predict`函数预测目标用户对物品的评分，其中使用了加权平均的方法，权重是物品之间的相似度。