协同过滤推荐算法python

协同过滤推荐算法是一种常用的推荐算法，它基于用户历史行为数据或物品属性数据，计算出用户对物品的偏好度或者物品之间的相似度，从而实现推荐。在Python中，可以使用Surprise库来实现协同过滤推荐算法。下面是一个简单的例子：

首先，安装Surprise库：

!pip install surprise

然后，导入库并加载数据：

from surprise import Dataset
from surprise import KNNBasic
from surprise.model_selection import cross_validate

# 加载数据
data = Dataset.load_builtin('ml-100k')

接下来，使用KNN基础算法来训练模型并进行预测：

# 使用KNN基础算法
algo = KNNBasic()

# 交叉验证
cross_validate(algo, data, measures=['RMSE', 'MAE'], cv=5, verbose=True)

# 训练模型并进行预测
trainset = data.build_full_trainset()
algo.fit(trainset)

# 预测用户对物品的评分
uid = str(196)
iid = str(302)
pred = algo.predict(uid, iid, verbose=True)

以上就是一个简单的协同过滤推荐算法的Python实现。

相关问题

协同过滤推荐算法python实现

以下是基于物品的协同过滤推荐算法的Python实现：

import numpy as np

# 创建一个用户-物品评分矩阵
ratings = np.array([[4, 0, 2, 0, 1],
                    [0, 2, 3, 0, 0],
                    [1, 0, 2, 4, 0],
                    [5, 0, 0, 3, 1],
                    [0, 0, 1, 5, 1]])

# 计算物品之间的相似度
def item_similarity(ratings):
    # 计算物品之间的余弦相似度
    sim = ratings.T.dot(ratings) / (np.sqrt(np.sum(ratings.T ** 2, axis=1)).reshape(-1, 1) * np.sqrt(np.sum(ratings ** 2, axis=1)))
    return sim

# 预测目标用户对物品的评分
def predict(ratings, sim):
    # 计算每个物品的平均评分
    mean_ratings = np.sum(ratings, axis=0) / np.sum(ratings != 0, axis=0)
    # 计算预测评分
    pred = np.zeros(ratings.shape)
    for i in range(ratings.shape[0]):
        for j in range(ratings.shape[1]):
            if ratings[i, j] == 0:
                pred[i, j] = np.sum(sim[j, :] * (ratings[i, :] - mean_ratings) * (ratings[:, j] != 0)) / np.sum(np.abs(sim[j, :] * (ratings[:, j] != 0)))
    return pred

# 测试
sim = item_similarity(ratings)
pred = predict(ratings, sim)
print(pred)

以上代码实现了一个简单的基于物品的协同过滤推荐算法，其中`ratings`是一个用户-物品评分矩阵，每行代表一个用户，每列代表一个物品，矩阵中的元素是用户对物品的评分。`item_similarity`函数计算物品之间的相似度，这里使用的是余弦相似度。`predict`函数预测目标用户对物品的评分，其中使用了加权平均的方法，权重是物品之间的相似度。

基于物品协同过滤推荐算法python

物品协同过滤推荐算法是一种基于物品相似度的推荐算法，它通过计算物品之间的相似度来为用户提供个性化推荐。下面是一个基于Python的物品协同过滤推荐算法的示例代码：

import numpy as np

# 创建数据集
data = np.array([
    [5, 3, 0, 1],
    [4, 0, 4, 1],
    [1, 1, 0, 5],
    [1, 0, 1, 4],
    [0, 1, 5, 4]
])

# 计算物品相似度
def similarity(item1, item2):
    # 余弦相似度
    return np.dot(item1, item2) / (np.linalg.norm(item1) * np.linalg.norm(item2))

n_items = data.shape[1] # 物品数量
item_sim = np.zeros((n_items, n_items)) # 物品相似度矩阵

for i in range(n_items):
    for j in range(i+1, n_items):
        item_sim[i][j] = similarity(data[:,i], data[:,j])
        item_sim[j][i] = item_sim[i][j]

# 根据相似度为用户推荐物品
def recommend(user_id, data, item_sim):
    user_items = data[user_id] # 用户已经评分的物品
    scores = np.zeros(n_items) # 所有物品的得分
    for i in range(n_items):
        if user_items[i] == 0: # 如果用户没有评分该物品
            for j in range(n_items):
                if data[j][i] != 0: # 如果物品被其他用户评分过
                    scores[i] += data[j][i] * item_sim[i][j]
    return np.argsort(-scores) # 按得分降序排序

# 测试推荐算法
user_id = 0
recommendations = recommend(user_id, data, item_sim)
print("为用户 %d 推荐的物品：" % user_id)
print(recommendations)

上面的代码中，我们首先创建了一个包含5个用户对4个物品评分的数据集，然后计算了物品之间的相似度。接着，我们定义了一个`recommend`函数来为用户推荐物品，该函数的实现是：对于用户没有评分过的每个物品，计算它与已经评分过的物品的相似度加权得分，最后按得分降序排序并返回。最后，我们测试了推荐算法，并输出了为用户0推荐的物品列表。

需要注意的是，这只是一个简单的示例代码，实际应用中需要考虑更多的因素，例如：如何处理缺失值、如何处理稀疏矩阵、如何优化计算等等。