pyhton实现简单推荐代码

Python实现简单推荐代码可以采用基于用户的协同过滤算法。具体步骤如下：

1. 数据准备：准备用户和物品的评分数据集，存储为用户-物品-评分的矩阵形式。

2. 计算相似度：计算用户之间的相似度。可以采用余弦相似度或皮尔逊相关系数等。计算用户相似度矩阵。

3. 选择邻居：根据用户相似度矩阵，选择与目标用户相似度最高的K个用户作为邻居。

4. 推荐物品：对于邻居用户未评分但目标用户未评分的物品，根据邻居用户的评分，计算目标用户对这些物品的兴趣程度。可以用加权求和或加权平均等方式。

5. 排序推荐：根据目标用户对物品的兴趣程度，对推荐物品进行排序，推荐给目标用户。

代码示例：

import numpy as np

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

# 计算用户相似度矩阵（余弦相似度）
def cosine_similarity(ratings):
    similarity = np.dot(ratings, ratings.T)
    norm = np.linalg.norm(ratings, axis=1)
    similarity /= np.outer(norm, norm)
    return similarity

# 选择邻居
def select_neighbors(similarity, k):
    neighbors = []
    for i in range(similarity.shape[0]):
        top_k_neighbors = np.argsort(similarity[i])[::-1][:k]
        neighbors.append(top_k_neighbors)
    return neighbors

# 推荐物品
def recommend(neighbors, ratings, user_id):
    target_ratings = ratings[user_id]
    neighbor_ratings = ratings[neighbors[user_id]]
    unrated_items = np.where(target_ratings == 0)[0]
    predictions = np.mean(neighbor_ratings[:, unrated_items], axis=0)
    sorted_items = np.argsort(predictions)[::-1]
    return sorted_items

# 测试
similarity = cosine_similarity(ratings)
neighbors = select_neighbors(similarity, k=2)
recommended_items = recommend(neighbors, ratings, user_id=0)
print("User 0的推荐物品：", recommended_items)

这段示例代码中，ratings为用户-物品评分矩阵，cosine_similarity函数计算用户相似度矩阵，select_neighbors函数选择邻居，recommend函数对目标用户进行推荐。最后，输出User 0的推荐物品。