协同过滤算法美食推荐代码python

协同过滤算法是一种常用的推荐算法，它基于用户之间的相似性或者物品之间的相似性来进行推荐。下面是一个简单的协同过滤算法的美食推荐代码示例（使用Python语言）：

import numpy as np

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

# 计算用户之间的相似度（使用余弦相似度）
def cosine_similarity(user1, user2):
    dot_product = np.dot(user1, user2)
    norm_user1 = np.linalg.norm(user1)
    norm_user2 = np.linalg.norm(user2)
    return dot_product / (norm_user1 * norm_user2)

# 根据用户相似度进行推荐
def recommend(user_id, ratings, similarity_func):
    num_users = ratings.shape[0]
    sim_scores = []
    for i in range(num_users):
        if i != user_id:
            sim_score = similarity_func(ratings[user_id], ratings[i])
            sim_scores.append((i, sim_score))
    sim_scores.sort(key=lambda x: x[1], reverse=True)
    
    # 找到与目标用户最相似的用户
    most_similar_user = sim_scores[0][0]
    
    # 找到目标用户没有评分的物品
    unrated_items = np.where(ratings[user_id] == 0)[0]
    
    # 根据最相似用户的评分进行推荐
    recommendations = []
    for item in unrated_items:
        if ratings[most_similar_user][item] > 0:
            recommendations.append((item, ratings[most_similar_user][item]))
    recommendations.sort(key=lambda x: x[1], reverse=True)
    
    return recommendations

# 示例使用
user_id = 0
recommendations = recommend(user_id, ratings, cosine_similarity)
print("用户", user_id, "的美食推荐：")
for item, rating in recommendations:
    print("物品", item, "评分：", rating)

这段代码中，我们首先创建了一个用户-物品评分矩阵，然后定义了一个计算用户之间相似度的函数（这里使用余弦相似度），接着编写了一个根据用户相似度进行推荐的函数。最后，我们选择一个目标用户，调用推荐函数得到该用户的美食推荐结果。