基于杰卡德系数搭建推荐系统【小白必备】

目录

一、引言

二、杰卡德系数是什么？

三、Python搭建推荐模型

01、生成消费数据

02、计算杰卡德系数

03、筛选高相似用户，生成推荐

四、结论：杰卡德系数的优与思

---

一、引言

在逛电商时你是不是总好奇，为什么平台推的商品刚好是我想要的？

其实这背后藏着各种推荐算法，今天就给大家分享一个简单又实用的模型，基于杰卡德系数的电商推荐系统，拆解模型怎么找相似买家、推精准商品。

二、杰卡德系数是什么？

一句话来说，杰卡德系数就是用交集和并集来算相似。

杰卡德系数衡量的是两个集合的重叠程度，公式为：J(A,B)=|A∩B|/|A∪B|。

A∩B：两个集合的交集，比如用户A买过的商品和用户B买过的商品的重叠部分。

A∪B：两个集合的并集，比如用户A和用户B买过的所有商品；

取值范围：0~1，系数越接近1，说明两个集合越相似。越接近0，越不相似。

三、Python搭建推荐模型

光懂理论不够，我们直接用仿真电商消费数据实操！步骤清晰，小白也能跟着做～

01、生成消费数据

首先模拟电商场景，搭建商品池包括红牛、啤酒、伏特加、葡萄酒、咖啡、牛奶、可乐7种常见饮品。随机生成30位消费者的商品数据，用1表示购买，0表示未购买。这里可以替换成真实数据进行实操。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib.patches import Rectangle
import networkx as nx
# 设置中文字体（避免乱码）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 1. 定义商品列表和用户列表（30位用户）
products = ["红牛", "啤酒", "伏特加", "葡萄酒", "咖啡", "牛奶", "可乐"]
users = [f"U{i}" for i in range(1, 31)]  # U1~U30（30位用户）
# 2. 生成完整购买数据（无缺失值，1=购买，0=未