python協(xié)同過濾算法怎么實現(xiàn)

135次閱讀

共計 1441 個字符，預計需要花費 4 分鐘才能閱讀完成。

協(xié)同過濾算法是一種推薦系統(tǒng)算法，用于預測用戶可能喜歡的物品。Python 中可以使用 numpy 和 pandas 等庫來實現(xiàn)協(xié)同過濾算法。

一種常見的協(xié)同過濾算法是基于用戶的協(xié)同過濾算法。以下是基于用戶的協(xié)同過濾算法的步驟：

構(gòu)建用戶 - 物品的評分矩陣。評分矩陣是一個二維矩陣，行表示用戶，列表示物品，每個元素表示用戶對物品的評分。
計算用戶之間的相似度。可以使用余弦相似度或皮爾遜相關(guān)系數(shù)等方法計算用戶之間的相似度。
根據(jù)相似度找到與目標用戶最相似的 K 個用戶。可以使用堆排序或優(yōu)先隊列等數(shù)據(jù)結(jié)構(gòu)找到相似度最高的 K 個用戶。
根據(jù)相似用戶的評分，預測目標用戶對未評分物品的評分。可以使用加權(quán)平均或加權(quán)求和等方法進行預測。

下面是一個使用 numpy 和 pandas 實現(xiàn)基于用戶的協(xié)同過濾算法的示例：

import numpy as np
import pandas as pd

# 構(gòu)建評分矩陣 
ratings = np.array([[5, 3, 0, 1],
                    [4, 0, 0, 1],
                    [1, 1, 0, 5],
                    [1, 0, 0, 4],
                    [0, 1, 5, 4]])

# 計算用戶之間的相似度 
similarity = np.dot(ratings, ratings.T) + 1e-9
norms = np.array([np.sqrt(np.diagonal(similarity))])
similarity = similarity / (norms * norms.T)

# 找到與目標用戶最相似的 K 個用戶 
target_user_index = 0
K = 2
similar_users = np.argsort(similarity[target_user_index])[::-1][1:K+1]

# 預測目標用戶對未評分物品的評分 
target_user_ratings = ratings[target_user_index]
predicted_ratings = np.zeros_like(target_user_ratings)
for item_index in range(len(target_user_ratings)):
    if target_user_ratings[item_index] == 0:
        ratings_sum = 0
        similarity_sum = 0
        for user_index in similar_users:
            if ratings[user_index][item_index] != 0:
                ratings_sum += similarity[target_user_index][user_index] * ratings[user_index][item_index]
                similarity_sum += similarity[target_user_index][user_index]
        if similarity_sum != 0:
            predicted_ratings[item_index] = ratings_sum / similarity_sum

# 輸出預測評分 
print(predicted_ratings)