用python写一个基于物品的协同过滤推荐算法

在Python中，可以使用scikit-surprise库来实现基于物品的协同过滤推荐算法。这里以Item-Based Collaborative Filtering (用户-物品相似度)为例，步骤如下：

from surprise import Dataset
from surprise import Reader
from surprise import ItemSimilarityMatrix
from surprise import KNNWithMeans

# 1. 设置数据读取器
reader = Reader(rating_scale=(1, 5))  # 假设评分范围在1到5之间

# 2. 加载数据集（通常是一个包含用户、物品和评分的CSV文件）
data = Dataset.load_from_file('ratings.csv', reader=reader)

# 3. 创建Surprise的数据对象
trainset = data.build_full_trainset()

# 4. 计算物品之间的相似度矩阵（常用的有皮尔逊相关系数、余弦相似度等）
sim_options = {'name': 'cosine', 'user_based': False}  # 非用户基础，即物品基础
similarity_matrix = ItemSimilarityMatrix(trainset, sim_options=sim_options)

# 5. 使用KNNWithMeans算法，基于物品推荐
algo = KNNWithMeans(k=20)  # k值表示考虑的邻居数量
algo.fit(similarity_matrix)

# 6. 获取用户ID，为其推荐物品
user_id = 'user1'
 recommendations = algo.get_recommendations(user_id, N=10)  # N表示推荐的数量

for item in recommendations:
    print(f"推荐给{user_id}: {item['item_id']} - 评分预测值: {item['est']}")