Python 协同过滤算法案例

在Python中，协同过滤是一种常用的推荐系统算法，它通过分析用户的行为历史数据来预测他们对未评级物品的喜好。主要有两种类型的协同过滤：

1. 用户-用户协同过滤（User-Based Collaborative Filtering）：基于“物以类聚”原则，寻找具有相似评分模式的其他用户，并推荐那些相似用户喜欢但目标用户尚未尝试过的项目。

2. 物品-物品协同过滤（Item-Based Collaborative Filtering）：关注物品之间的关联性，计算两个物品之间的相似度，然后推荐给用户他们评分较高的类似物品。

例如，假设我们有一个电影评分的数据集（如MovieLens），我们可以这样做：

from surprise import Dataset, Reader, KNNBasic

# 首先，设置数据读取器和创建数据集对象
reader = Reader(rating_scale=(1, 5))  # 指定评分范围
data = Dataset.load_from_df(movie_ratings_df[['user_id', 'item_id', 'rating']], reader)

# 使用KNNBasic模型实现物品-物品协同过滤
algo = KNNBasic()
algo.fit(data.build_full_trainset())

# 推荐未知评分的电影
for user_id in test_users:
    recommendations = algo.test(user_id=user_id)
    print(f"用户 {user_id} 的推荐列表：")
    for item_id, rating, _ in recommendations:
        print(f"电影 {item_id}: {rating}")