协同过滤推荐算法代码案例

协同过滤是一种常用的推荐算法，它基于用户行为数据或者项目属性数据来进行推荐。下面是一个简单的协同过滤推荐算法的代码案例：

import numpy as np

# 创建用户-物品评分矩阵
ratings = np.array([
    [5, 3, 0, 1],
    [4, 0, 4, 4],
    [1, 1, 0, 5],
    [0, 0, 4, 0],
    [2, 2, 1, 0]
])

# 计算用户之间的相似度（使用余弦相似度）
def cosine_similarity(user1, user2):
    dot_product = np.dot(user1, user2)
    norm_user1 = np.linalg.norm(user1)
    norm_user2 = np.linalg.norm(user2)
    return dot_product / (norm_user1 * norm_user2)

# 根据用户相似度进行推荐
def recommend(user_id, ratings, similarity_func):
    num_users = ratings.shape
    sim_scores = []
    for i in range(num_users):
        if i != user_id:
            sim_score = similarity_func(ratings[user_id], ratings[i])
            sim_scores.append((i, sim_score))
    sim_scores.sort(key=lambda x: x, reverse=True)
    
    # 取相似度最高的前K个用户
    K = 2
    top_k_users = sim_scores[:K]
    
    # 计算加权平均得分
    item_scores = np.zeros(ratings.shape)
    for user, sim_score in top_k_users:
        item_scores += sim_score * ratings[user]
    
    # 过滤掉已经评分过的物品
    unrated_items = np.where(ratings[user_id] == 0)
    recommended_items = sorted([(item, score) for item, score in enumerate(item_scores) if item in unrated_items], key=lambda x: x, reverse=True)
    
    return recommended_items

# 示例：为用户0推荐物品
recommended_items = recommend(0, ratings, cosine_similarity)
print("为用户0推荐的物品：", recommended_items)

这个代码案例中，我们首先创建了一个用户-物品评分矩阵，然后定义了一个计算用户相似度的函数（使用余弦相似度）。接着，我们实现了一个推荐函数，根据用户相似度来为指定用户推荐物品。最后，我们调用推荐函数为用户0推荐物品，并打印出结果。