电子商务商品推荐系统

电子商务商品推荐系统是一种利用用户历史行为数据和商品信息，通过数据挖掘和机器学习等技术，为用户提供个性化商品推荐的系统。其目的是为了提高用户的购物体验和促进销售额的增长。推荐系统可以分为基于内容的推荐和基于协同过滤的推荐两种类型。基于内容的推荐是根据商品的属性和用户的历史行为，推荐与用户兴趣相关的商品。而基于协同过滤的推荐则是根据用户历史行为和其他用户的行为，推荐与用户兴趣相似的商品。推荐系统在电子商务中的应用已经非常广泛，例如亚马逊、淘宝等电商平台都采用了推荐系统来为用户提供个性化的商品推荐。

以下是一个基于协同过滤的商品推荐系统的示例代码：

import numpy as np

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

# 计算用户之间的相似度
def similarity(user1, user2):
    return np.dot(user1, user2) / (np.linalg.norm(user1) * np.linalg.norm(user2))

# 为用户推荐商品
def recommend(user_id, ratings, k):
    # 计算用户之间的相似度
    similarities = []
    for i in range(len(ratings)):
        if i != user_id:
            similarities.append((i, similarity(ratings[user_id], ratings[i])))
    similarities.sort(key=lambda x: x[1], reverse=True)
    # 找到最相似的k个用户
    top_k_users = similarities[:k]
    # 计算每个商品的推荐得分
    scores = {}
    for i in range(len(ratings[user_id])):
        if ratings[user_id][i] == 0:
            score = 0
            for j, sim in top_k_users:
                score += sim * ratings[j][i]
            scores[i] = score
    # 返回得分最高的商品
    return max(scores, key=scores.get)

# 为用户0推荐商品
print(recommend(0, ratings, 2)) # 输出：2