基于用户协同过滤算法代码

用户协同过滤算法是一种常见的推荐算法，它通过分析用户之间的相似性，来给用户推荐相似用户喜欢的物品。具体实现方式是，首先根据用户之间的历史行为数据（如购买记录、评分记录等），计算用户之间的相似度，然后利用相似用户的历史行为数据，推荐给目标用户他们喜欢的物品。

下面是一个简单的基于用户协同过滤算法的Python代码：

import numpy as np

# 历史行为数据
data = np.array([
    [5, 3, 0, 1, 4],
    [1, 0, 0, 5, 1],
    [4, 3, 0, 0, 5],
    [0, 1, 5, 4, 4],
    [5, 4, 4, 0, 0]
])

# 计算用户相似度
def similarity(user1, user2):
    return np.dot(user1, user2) / (np.linalg.norm(user1) * np.linalg.norm(user2))

# 给定目标用户id，计算推荐物品列表
def recommend(target_id):
    target_user = data[target_id]
    similarities = []
    for i in range(len(data)):
        if i != target_id:
            sim = similarity(target_user, data[i])
            similarities.append((i, sim))
    similarities.sort(key=lambda x: x, reverse=True)
    top_similarities = similarities[:2]
    recommended_items = []
    for item_id in range(len(target_user)):
        if target_user[item_id] == 0:
            score = 0
            count = 0
            for sim_id, sim_score in top_similarities:
                if data[sim_id][item_id] != 0:
                    score += sim_score * data[sim_id][item_id]
                    count += sim_score
            if count > 0:
                recommended_items.append((item_id, score/count))
    recommended_items.sort(key=lambda x: x, reverse=True)
    return recommended_items

# 测试代码
print(recommend(0)) # 给id为0的用户推荐物品

代码中的`data`是历史行为数据矩阵，其中每一行表示一个用户对各个物品的行为数据，0表示未有行为。`similarity`函数用于计算两个用户之间的相似度，这里采用的是余弦相似度计算方法。`recommend`函数则是用于给定目标用户id，计算出推荐的物品列表。