【保姆级 - 大模型应用开发】零基础 10 行代码实现内容推荐系统 | 代码实战

零基础 10 行代码实现内容推荐系统（TF-IDF + 余弦相似度）

本文教你用 Python 实现一个简单的内容推荐系统【目标：输入一句话，推荐最相似的另一句】

• 适合初学者，核心代码不到 10 行

💜 安装所需库并准备示例数据

• 只需安装 scikit-learn：

  pip install scikit-learn
  

• 以下为简单的示例数据：

  documents = [
      "我喜欢看电影",
      "他今天去看了场电影",
      "天气真好，适合出去散步",
      "我们去图书馆学习吧",
      "你觉得这部电影好看吗",
  ]
  

---

💜 1. 将句子文本转化为向量：提取特征

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform(documents)

💡 此处使用的是 词频-逆文档频率（TF-IDF）来表示每个句子中关键词的重要性。默认提取的是单个词（即 1-gram）。

---

💜 2. 相似度计算：使用余弦相似度

from sklearn.metrics.pairwise import cosine_similarity

cos_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)

💡 什么是余弦相似度？

它是通过两个向量夹角的余弦值，来判断它们在方向上的相似程度。

公式如下所示：

$$\text{similarity}=\cos (\theta )=\frac{A\cdot B}{|A||B|}=\frac{{\sum }_{i=1}^n{A}_i{B}_i}{\sqrt{{\sum }_{i=1}^n{A}_i^2}\cdot \sqrt{{\sum }_{i=1}^n{B}_i^2}}$$

当 $\theta =0^{\circ }$ 时，两个向量完全相似，$\cos (\theta )=1$；当 $\theta =90^{\circ }$，向量正交，$\cos (\theta )=0$。

---

💜 3. 得到推荐：返回最相似的一条文本

import numpy as np

target_index = 0  # 想查找的那句，比如第0句
similarities = cos_sim[target_index]
most_similar = np.argsort(similarities)[::-1][1]  # 除了自己以外的第一相似
print("原句：", documents[target_index])
print("推荐：", documents[most_similar])

---

完整代码（带步骤对照注释）

# 💜 示例文本数据
documents = [
    "我喜欢看电影",
    "他今天去看了场电影",
    "天气真好，适合出去散步",
    "我们去图书馆学习吧",
    "你觉得这部电影好看吗",
]

# 💜 1. TF-IDF 特征提取
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform(documents)

# 💜 2. 计算余弦相似度矩阵
from sklearn.metrics.pairwise import cosine_similarity
cos_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)

# 💜 3. 找出最相似的句子
import numpy as np
target_index = 0  ## 以第 0 句为例
similarities = cos_sim[target_index]
most_similar = np.argsort(similarities)[::-1][1]  # 排除自身
print("原句：", documents[target_index])
print("推荐：", documents[most_similar])

输出示例：

原句： 我喜欢看电影
推荐： 他今天去看了场电影

💜💜 可选进阶 - 1：使用 N-Gram 提升语义捕捉能力

你可以启用 N-Gram 提取连续词组作为特征，例如 bigram（双词组）：

vectorizer = TfidfVectorizer(ngram_range=(1, 2))

这会把句子 “我 喜欢 看 电影” 转换为以下特征：

["我", "喜欢", "看", "电影", "我 喜欢", "喜欢 看", "看 电影"]

💡 好处是保留词序信息，更适合表达语义联系，如“看 电影”比单词“电影”更精确。

💜💜 可选进阶 - 2：使用向量数据库快速查找 (主页有对应教程)

当句子或文档数量非常大时（如成千上万条），用普通方式计算相似度会很慢；此时可以使用 向量数据库高效处理

特性	FAISS	Milvus	Pinecone
开发方	Facebook	开源社区（Zilliz）	商业公司 Pinecone
部署方式	本地部署	自部署 / 云部署 / 混合	完全托管（SaaS）
数据类型	静态数据	支持动态数据更新	支持动态数据更新
架构支持	单机	分布式架构	云原生、自动扩缩容
优势	高性能、索引类型丰富	扩展性强、灵活的数据管理	零运维、易部署、适合大规模生产
局限性	不支持动态数据写入/删除操作复杂	对复杂部署环境有一定要求	商业产品，成本相对较高
适用场景	离线/静态大规模相似性搜索	动态、分布式应用、需要扩展性	云端应用、对可用性和易维护性要求高

配合 TF-IDF 使用示意：提取向量 -> 建立索引（Index） -> 执行查询（Search Top-K 相似）

import faiss  ## 以 faiss 向量数据库为例 
faiss.normalize_L2(tfidf_matrix)  # FAISS 要求归一化
index = faiss.IndexFlatIP(tfidf_matrix.shape[1])  # 内积即余弦相似度
index.add(tfidf_matrix.toarray())
D, I = index.search(tfidf_matrix[0:1].toarray(), k=5)

---

💜 延伸方向

• 使用 Word2Vec 或 BERT 替代 TF-IDF，表达更深层语义
• 使用 Flask 做成推荐接口服务
• 使用 FAISS + GPU 提速百万量级文档检索