Python实现简易推荐系统

在这个信息爆炸的时代，推荐系统无处不在，从购物平台的商品推荐到视频网站的个性化内容推荐，它们都在默默影响着我们的决策。今天，我们将用Python实现一个简易的推荐系统，带你领略数据背后的魔法。

Python实现简易推荐系统

项目背景

推荐系统的核心目标是根据用户的历史行为和偏好，推荐他们可能感兴趣的内容。常见的推荐系统算法有协同过滤、基于内容的推荐、混合推荐等。本文将采用最基础的协同过滤算法，通过用户评分矩阵来实现一个简单的电影推荐系统。

准备工作

首先，确保你已经安装了Python环境，并安装了必要的库：

pip install numpy pandas

数据准备

我们使用一个简单的用户-电影评分矩阵作为示例数据：

import numpy as np
import pandas as pd

# 用户-电影评分矩阵
data = {
    '用户1': [5, 3, 0, 1],
    '用户2': [4, 0, 4, 1],
    '用户3': [1, 1, 0, 5],
    '用户4': [1, 0, 0, 4],
    '用户5': [0, 1, 5, 4],
}

df = pd.DataFrame(data, index=['电影1', '电影2', '电影3', '电影4'])
print(df)

相似度计算

推荐系统的第一步是计算用户或物品之间的相似度。这里我们使用余弦相似度：

def cosine_similarity(vec1, vec2):
    dot_product = np.dot(vec1, vec2)
    norm_product = np.linalg.norm(vec1) * np.linalg.norm(vec2)
    return dot_product / norm_product if norm_product != 0 else 0

# 计算用户之间的相似度矩阵
user_similarity = pd.DataFrame(index=df.columns, columns=df.columns)
for i in user_similarity.columns:
    for j in user_similarity.index:
        user_similarity.at[j, i] = cosine_similarity(df[i], df[j])

print(user_similarity)

推荐生成

基于用户相似度，我们可以为每个用户生成推荐：

def recommend(user, df, similarity_matrix, top_n=3):
    similar_users = similarity_matrix[user].sort_values(ascending=False).index[1:]
    recommended_movies = pd.Series(dtype='float64')

    for similar_user in similar_users:
        similar_user_ratings = df[similar_user]
        recommended_movies = recommended_movies.append(similar_user_ratings[similar_user_ratings > 0])

    recommended_movies = recommended_movies.groupby(recommended_movies.index).mean()
    recommended_movies = recommended_movies.sort_values(ascending=False).head(top_n)
    return recommended_movies.index.tolist()

# 为用户1推荐电影
user = '用户1'
recommended_movies = recommend(user, df, user_similarity)
print(f"为{user}推荐的电影：", recommended_movies)