python 协同过滤推荐算法代码

以下是一个简单的基于用户的协同过滤推荐算法的 Python 代码示例：

import numpy as np

# 创建用户-物品矩阵
user_item_matrix = np.array([
    [3, 1, 2, 3, 0, 0],
    [4, 2, 3, 4, 0, 0],
    [2, 3, 1, 2, 0, 0],
    [0, 0, 4, 3, 2, 1],
    [0, 0, 5, 4, 1, 2],
])

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

# 根据用户相似度进行推荐
def collaborative_filtering(user_id, user_item_matrix):
    user1 = user_item_matrix[user_id]
    similarity_scores = []
    
    for i in range(len(user_item_matrix)):
        user2 = user_item_matrix[i]
        similarity = cosine_similarity(user1, user2)
        similarity_scores.append((i, similarity))
    
    similarity_scores.sort(key=lambda x: x[1], reverse=True)
    
    recommended_items = set()
    for i in range(1, len(similarity_scores)):
        user_id = similarity_scores[i][0]
        items = np.where(user_item_matrix[user_id] > 0)[0]
        recommended_items.update(items)
        
        if len(recommended_items) >= 3:
            break
            
    return recommended_items

# 示例使用
user_id = 0
recommended_items = collaborative_filtering(user_id, user_item_matrix)
print("用户", user_id, "的推荐物品:", recommended_items)

在这个示例中，我们首先创建了一个用户-物品矩阵，表示用户对不同物品的评分。然后定义了一个计算用户之间相似度的函数，使用余弦相似度进行计算。最后，根据用户相似度进行推荐的函数，并给出了一个示例的使用。你可以根据实际情况进行修改和扩展。