python基于物品的协同推荐算法代码实现

Python中基于物品的协同过滤（Item-based Collaborative Filtering，ICF）是一种常用的推荐系统算法，它通过计算用户对物品之间的相似度，然后推荐那些与目标用户在过去行为中喜欢的物品相似的新项目。以下是简化的物品协同过滤算法的一个基本代码实现：

from sklearn.metrics.pairwise import cosine_similarity
import pandas as pd

# 假设我们有一个物品-评分矩阵数据
data = pd.read_csv('ratings.csv') # 假设这是一个CSV文件，包含用户ID、物品ID和评分
items_df = data.pivot_table(index='user_id', columns='item_id', values='rating').fillna(0)

# 计算物品之间的余弦相似度
similarity_matrix = cosine_similarity(items_df.T)

# 定义推荐函数
def recommend(user_id, n=5):
    user_ratings = items_df.loc[user_id]
    similar_items = similarity_matrix[user_ratings.index]  # 获取与给定用户喜欢的物品相似的物品
    recommended_indices = similar_items.argsort()[:-n-1:-1]  # 排序并选择最相似的n项
    return items_df.columns[recommended_indices]

# 使用推荐函数
user_to_recommend = 'user1'
top_n_recs = recommend(user_to_recommend)
print(f"对于用户{user_to_recommend}，我们推荐：{top_n_recs}")

这个例子使用了`sklearn`库中的余弦相似度计算相似度，并假设了评分是二进制的。实际应用中，可能会加入加权或者其他调整，以优化推荐结果。