用python写一个协同过滤推荐算法
时间: 2024-05-10 13:17:26 浏览: 10
好的,下面是一个简单的协同过滤推荐算法的 Python 实现:
```python
import numpy as np
# 创建用户物品矩阵,其中第 i 行第 j 列表示用户 i 对物品 j 的评分,0 表示未评分
ratings = np.array([
[1, 2, 3, 4, 5],
[0, 3, 4, 0, 0],
[2, 4, 0, 1, 2],
[0, 0, 5, 2, 3],
[0, 0, 0, 3, 4]
])
# 计算用户相似度矩阵,采用余弦相似度计算
def cosine_similarity(x, y):
return np.dot(x, y) / (np.linalg.norm(x) * np.linalg.norm(y))
similarity_matrix = np.zeros((5, 5))
for i in range(5):
for j in range(5):
if i != j:
similarity_matrix[i, j] = cosine_similarity(ratings[i], ratings[j])
# 根据用户相似度矩阵,预测用户对未评分物品的评分
def predict_rating(user_id, item_id):
numerator = 0
denominator = 0
for i in range(5):
if ratings[i, item_id] != 0:
similarity = similarity_matrix[user_id, i]
numerator += similarity * ratings[i, item_id]
denominator += similarity
return numerator / denominator if denominator != 0 else 0
# 对用户 0 推荐评分最高的 2 个未评分物品
unrated_items = np.where(ratings[0] == 0)[0]
predicted_ratings = np.zeros(len(unrated_items))
for i in range(len(unrated_items)):
predicted_ratings[i] = predict_rating(0, unrated_items[i])
recommended_item_indices = np.argsort(predicted_ratings)[-2:]
recommended_items = unrated_items[recommended_item_indices]
print("Recommended items:", recommended_items)
```
这里使用了一个简单的用户物品矩阵,其中每行表示一个用户对各个物品的评分。首先计算了用户相似度矩阵,然后根据该矩阵预测用户对未评分物品的评分,最后选出评分最高的几个未评分物品作为推荐结果。
需要注意的是,这里的实现仅仅是为了演示协同过滤推荐算法的基本思路,实际应用中需要考虑更多的因素,如数据预处理、评估推荐结果的准确性等。