itemcf python代码实现

ItemCF（Item-based Collaborative Filtering，基于物品的协同过滤算法）是一种用于推荐系统的算法，通过分析用户历史行为数据，找到用户喜欢的物品，并推荐给他们相似的物品。

下面是一个用Python实现ItemCF算法的简单代码示例：

# 导入必要的库
import numpy as np

# 定义ItemCF类
class ItemCF:
    def __init__(self, train_data):
        self.train_data = train_data
        self.item_sim_matrix = self.calculate_item_sim_matrix()
        
    def calculate_item_sim_matrix(self):
        # 初始化物品相似度矩阵
        item_sim_matrix = np.zeros((self.train_data.shape[1], self.train_data.shape[1]))
        
        # 计算物品相似度矩阵
        for i in range(self.train_data.shape[1]):
            for j in range(self.train_data.shape[1]):
                if i == j:
                    continue
                common_items = np.logical_and(self.train_data[:, i] > 0, self.train_data[:, j] > 0)
                if np.sum(common_items) > 0:
                    item_sim_matrix[i][j] = np.sum(common_items) / np.sqrt(np.sum(self.train_data[:, i] > 0) * np.sum(self.train_data[:, j] > 0))
        
        return item_sim_matrix
        
    def recommend(self, user_id, top_k):
        # 为指定用户推荐top_k个物品
        user_actions = self.train_data[user_id]
        sorted_item_sim = np.argsort(-self.item_sim_matrix, axis=1)
        
        # 找到用户未观看过的且和用户历史观看过的物品相似度最高的top_k个物品
        recommended_items = []
        for i in range(len(sorted_item_sim[user_id])):
            if user_actions[sorted_item_sim[user_id][i]] == 0:
                recommended_items.append(sorted_item_sim[user_id][i])
            if len(recommended_items) == top_k:
                break
         
        return recommended_items

# 测试代码
if __name__ == "__main__":
    # 模拟用户历史观看数据
    train_data = np.array([[1, 0, 1, 1, 0], [1, 1, 0, 1, 1], [0, 1, 1, 0, 1]])
    
    itemcf = ItemCF(train_data)
    recommended_items = itemcf.recommend(0, 3)
    print("为用户0推荐的物品为：", recommended_items)

以上代码实现了一个简单的ItemCF算法，首先根据用户的历史观看数据计算出物品相似度矩阵，然后根据用户的历史观看数据和物品相似度矩阵为用户推荐top_k个物品。

这个代码示例仅为了说明ItemCF算法的基本原理，实际应用中可能需要考虑更多的因素，并进行优化。如数据预处理、相似度计算的优化等。