代码实现协同过滤构建简单的电影推荐系统

好的，下面是一个简单的电影推荐系统的代码实现，使用协同过滤算法：

import pandas as pd
import numpy as np

# 读取数据集
movies_df = pd.read_csv('movies.csv')
ratings_df = pd.read_csv('ratings.csv')

# 去除掉电影数据集中的无用信息
movies_df = movies_df.drop(['genres'], axis=1)

# 将用户评分数据集按照时间排序
ratings_df = ratings_df.sort_values(by='timestamp')

# 计算每个用户给每个电影的评分平均值
ratings_df_mean = ratings_df.groupby(by='userId', as_index=False)['rating'].mean()

# 将每个用户的平均评分和原始评分数据合并到一个数据集中
ratings_df = pd.merge(ratings_df, ratings_df_mean, on='userId')
ratings_df['rating_adjusted'] = ratings_df['rating_x'] - ratings_df['rating_y']

# 将用户评分数据集转换为矩阵形式
ratings_matrix = ratings_df.pivot_table(index='userId', columns='movieId', values='rating_adjusted')

# 填充缺失值
ratings_matrix = ratings_matrix.fillna(0)

# 计算电影之间的相似度
movie_similarity_matrix = np.corrcoef(ratings_matrix.T)

# 根据相似度矩阵，推荐电影给指定用户
def get_movie_recommendations(user_id):
    # 获取该用户评分过的电影列表
    user_ratings = ratings_matrix.loc[user_id].values

    # 计算每个电影与该用户评分过的电影之间的相似度
    movie_similarity = movie_similarity_matrix.dot(user_ratings)

    # 将相似度排序，得到推荐的电影列表
    similar_indexes = movie_similarity.argsort()[::-1]
    recommended_movies = []
    for i in similar_indexes:
        if ratings_matrix.iloc[user_id][i] == 0:
            recommended_movies.append(movies_df.loc[movies_df['movieId'] == i]['title'].values[0])
    return recommended_movies

其中，`movies.csv` 和 `ratings.csv` 是电影数据集和用户评分数据集，可以从网上下载。使用该代码实现时，只需要调用 `get_movie_recommendations(user_id)` 函数并传入指定用户的 ID 即可得到该用户的推荐电影列表。