Python推荐系统：实现个性化推荐

在信息爆炸的时代，如何从海量的数据中找到用户真正感兴趣的内容，成为了各大平台亟需解决的问题。推荐系统应运而生，成为了连接用户与内容的桥梁。本文将带你走进Python推荐系统的世界，探索如何实现个性化推荐。

Python推荐系统：实现个性化推荐

什么是推荐系统？

推荐系统是一种通过分析用户行为和偏好，向用户推荐可能感兴趣的信息的技术。它广泛应用于电商、视频、音乐、新闻等各个领域，极大地提升了用户体验和平台粘性。

Python实现推荐系统

Python凭借其丰富的库和简洁的语法，成为了实现推荐系统的理想选择。下面我们将通过一个简单的例子，展示如何使用Python构建一个基于协同过滤的推荐系统。

数据准备

首先，我们需要准备用户评分数据。假设我们有以下用户对电影的评分数据：

ratings = {
    'Alice': {'Movie1': 5, 'Movie2': 3, 'Movie3': 4},
    'Bob': {'Movie1': 4, 'Movie2': 2, 'Movie3': 5},
    'Charlie': {'Movie1': 2, 'Movie2': 4, 'Movie3': 3}
}

计算相似度

我们可以使用余弦相似度来计算用户之间的相似度。余弦相似度通过测量两个向量之间的夹角来评估它们的相似度。

from math import sqrt

def cosine_similarity(user1, user2):
    common_movies = set(user1.keys()) & set(user2.keys())
    if not common_movies:
        return 0
    numerator = sum(user1[movie] * user2[movie] for movie in common_movies)
    denominator = sqrt(sum(user1[movie] ** 2 for movie in user1.keys())) * sqrt(sum(user2[movie] ** 2 for movie in user2.keys()))
    return numerator / denominator

# 计算所有用户之间的相似度
similarities = {}
for user1 in ratings:
    similarities[user1] = {}
    for user2 in ratings:
        if user1 != user2:
            similarities[user1][user2] = cosine_similarity(ratings[user1], ratings[user2])

推荐电影

基于相似度，我们可以为用户推荐他们可能感兴趣的电影。

def recommend(user, ratings, similarities, n=3):
    recommended_movies = {}
    user_ratings = ratings[user]
    for other_user in ratings:
        if other_user != user:
            similarity = similarities[user][other_user]
            for movie in ratings[other_user]:
                if movie not in user_ratings:
                    if movie not in recommended_movies:
                        recommended_movies[movie] = 0
                    recommended_movies[movie] += similarity * ratings[other_user][movie]
    recommended_movies = sorted(recommended_movies.items(), key=lambda x: x[1], reverse=True)
    return recommended_movies[:n]

# 为Alice推荐电影
alice_recommendations = recommend('Alice', ratings, similarities)
print(f"推荐给Alice的电影: {alice_recommendations}")