推荐系统案例 python

原创

mob649e815b1a71 2024-11-10 03:33:45 ©著作权

文章标签 推荐系统数据相似度 文章分类 Python 后端开发

©著作权归作者所有：来自51CTO博客作者mob649e815b1a71的原创作品，请联系作者获取转载授权，否则将追究法律责任

推荐系统案例分析与实现

推荐系统在现代互联网应用中扮演着重要角色。无论是电影、音乐、商品还是新闻，用户总能看到根据其兴趣推送的内容。本文将带您深入了解推荐系统的基本原理，并通过一个简单的Python示例来实现一个基本的推荐系统。

1. 推荐系统的基本概念

推荐系统是一种信息过滤系统，通过对用户过往行为的分析，向用户推荐可能感兴趣的内容。推荐系统主要有两大类：基于内容的推荐和协同过滤推荐。

基于内容的推荐：根据用户的历史行为和内容的属性进行推荐。
协同过滤推荐：基于用户之间的相似性或物品之间的相似性进行推荐。

2. 选用的推荐算法

在这个示例中，我们将使用基于用户的协同过滤推荐算法。基本步骤如下：

收集用户评分数据。
计算用户之间的相似度。
为目标用户推荐相似用户喜欢的物品。

3. 数据准备

我们使用一个简单的评分数据表，用户对电影的评分如下：

用户	电影A	电影B	电影C	电影D
用户1	5	3		1
用户2	4			1
用户3	1	1		5
用户4		2	4
用户5			5	4

4. 实现推荐系统

接下来，我们将实现一个简单的推荐系统。

首先，确保你已经安装了必要的库：

pip install numpy pandas

4.1 导入库和数据

import numpy as np
import pandas as pd

# 创建用户评分数据
data = {
    '用户': ['用户1', '用户2', '用户3', '用户4', '用户5'],
    '电影A': [5, 4, 1, 0, 0],
    '电影B': [3, 0, 1, 2, 0],
    '电影C': [0, 0, 0, 4, 5],
    '电影D': [1, 1, 5, 0, 4]
}
df = pd.DataFrame(data)
# 将用户设置为索引
df.set_index('用户', inplace=True)

4.2 计算相似度

我们将使用余弦相似度来计算用户之间的相似性。

from sklearn.metrics.pairwise import cosine_similarity

# 计算用户之间的余弦相似度
similarity = cosine_similarity(df)
similarity_df = pd.DataFrame(similarity, index=df.index, columns=df.index)

print("用户相似度矩阵：")
print(similarity_df)

4.3 生成推荐

现在我们将生成推荐的电影。

def get_recommendations(user, similarity_df, df):
    sim_users = similarity_df[user].sort_values(ascending=False)[1:]  # 排除自己
    recommendations = pd.Series(dtype='float64')

    for other_user, score in sim_users.items():
        # 将相似用户看过但目标用户未看过的电影进行推荐
        recommendations = recommendations.add(df.loc[other_user] * score, fill_value=0)

    # 筛选未评分的电影，按评分高低排序
    recommendations = recommendations[recommendations.index.isin(df.columns) & (df.loc[user] == 0)]
    return recommendations.sort_values(ascending=False)

# 为用户1生成推荐
print("为用户1生成的推荐：")
print(get_recommendations('用户1', similarity_df, df))

5. 结果展示与分析

运行以上代码后，我们可以看到为用户1生成的推荐电影列表。代码将基于相似用户的评分数据，为目标用户推荐未观看的电影，整个过程简单清晰。

5.1 流程图示

以下是推荐系统操作流程的示意图：

sequenceDiagram
    participant U as 用户
    participant D as 数据库
    participant S as 相似度计算
    participant R as 物品推荐

    U->>D: 获取用户评分数据
    D-->>U: 返回评分数据
    U->>S: 计算用户相似度
    S-->>U: 返回相似度矩阵
    U->>R: 输入特定用户请求推荐
    R-->>U: 返回推荐列表