Python实现简单的推荐系统应用_推荐系统python项目-优快云博客

本文链接：https://blog.youkuaiyun.com/master_chenchen/article/details/142536278

在这里插入图片描述

Python实现简单的推荐系统应用

推荐系统初探：从日常生活中发现的“小确幸”说起

在我们的日常生活中，总有一些不经意间的小惊喜让我们感到温暖。比如，在一个慵懒的午后，你打开音乐软件，它竟然为你播放了一首你很久没听但又非常喜欢的老歌；或者是在网上购物时，页面上突然出现了你一直想要但忘记搜索的商品。这些看似巧合的背后，其实都是推荐系统在默默地发挥作用。

推荐系统的本质是通过分析用户的行为数据来预测用户的偏好，并据此向用户推荐可能感兴趣的内容。这不仅能够提升用户体验，还能帮助企业增加收益。Python凭借其强大的数据分析能力以及丰富的机器学习库，成为了开发推荐系统的理想选择之一。接下来，就让我们一起踏上这段探索之旅吧！

Python带你玩转数据：构建你的第一个用户-物品矩阵

任何推荐系统的基础都离不开对数据的理解与处理。在这个阶段，我们需要收集并整理用户与物品之间的交互信息，形成一个用户-物品矩阵。这个矩阵中的每一行代表一位用户，每一列表示一种物品（如电影、书籍等），而单元格内的值则反映了用户对该物品的兴趣程度或评分情况。

假设我们现在有一个小型的数据集，包含了用户对不同电影的评分：

import pandas as pd

data = {
    'User': ['Alice', 'Bob', 'Charlie', 'Diana'],
    'Movie1': [5, 3, 4, 4],
    'Movie2': [3, 1, 2, 5],
    'Movie3': [4, 1, 2, 3],
    'Movie4': [3, 3, 1, 2]
}

df = pd.DataFrame(data)
print(df.set_index('User'))

上述代码创建了一个简单的Pandas DataFrame对象，展示了四位用户对四部电影的评分。将User列设为索引后，我们得到了一个初步的用户-物品矩阵。下一步就是基于这样的基础结构，进一步挖掘其中隐藏的信息了。

相似度大揭秘：如何找到那些“心有灵犀”的商品

为了让推荐更加精准，了解用户之间或是物品之间的相似性至关重要。这里我们可以采用余弦相似度作为衡量标准之一。简单来说，如果两个向量的方向越接近，则它们之间的夹角就越小，相应的余弦值也就越大，表明两者越相似。

继续使用前面提到的数据集，下面展示如何计算任意两部电影之间的相似度：

from sklearn.metrics.pairwise import cosine_similarity

# 转换DataFrame格式以适应sklearn库的要求
ratings_matrix = df.drop(columns=['User']).T
similarity_matrix = cosine_similarity(ratings_matrix)

# 将结果转换成DataFrame以便于查看
movie_names = ratings_matrix.index.tolist()
sim_df = pd.DataFrame(similarity_matrix, index=movie_names, columns=movie_names)
print("电影间的相似度矩阵:\n", sim_df)

此段代码首先将原始的用户-物品矩阵转换成了物品-用户形式，这样可以直接利用Scikit-Learn提供的cosine_similarity函数来计算每一对电影间的相似度。最后，我们将得到的结果存入一个新的DataFrame中进行展示。

算法实战：用协同过滤点亮用户的个性化世界

有了用户-物品矩阵和物品间的相似度之后，我们就可以尝试实现一个基本版本的协同过滤算法了。协同过滤主要分为两类：基于用户的和基于物品的。对于本例而言，我们将采用基于物品的方法来进行推荐，因为它通常更适合于大规模的数据集。

具体步骤如下：

对于目标用户未评价过的每个物品，找到该用户已评价的所有物品。
计算这些已评价物品与待推荐物品之间的加权平均分数，权重即为它们之间的相似度。
根据得分高低排序，选取前N项作为最终推荐结果。

下面是完整的代码实现：

def item_based_recommendation(user_id, top_n=3):
    # 获取目标用户的评分记录
    user_ratings = df.loc[df['User'] == user_id].drop(columns=['User'])
    
    # 初始化推荐列表
    recommendations = []
    
    for movie in df.columns[1:]:  # 遍历所有电影
        if user_ratings[movie].values[0] == 0:  # 如果该用户还未评价过这部电影
            weighted_sum = 0.0
            weight_sum = 0.0
            
            for rated_movie in user_ratings.columns:
                if user_ratings[rated_movie].values[0] > 0:
                    similarity_score = sim_df.at[movie, rated_movie]
                    rating = user_ratings[rated_movie].values[0]
                    weighted_sum += similarity_score * rating
                    weight_sum += similarity_score
            
            if weight_sum > 0:
                predicted_rating = weighted_sum / weight_sum
                recommendations.append((movie, predicted_rating))
    
    # 按照预测评分降序排列
    sorted_recs = sorted(recommendations, key=lambda x: x[1], reverse=True)[:top_n]
    return sorted_recs

# 为用户Alice生成推荐
alice_recommendations = item_based_recommendation('Alice')
print("为Alice推荐的电影及预测评分:", alice_recommendations)

这段脚本定义了一个函数item_based_recommendation，它接受一个用户ID作为输入参数，并返回最多三个推荐项目及其预计评分。通过这种方式，我们可以根据用户的过往行为为其提供个性化的推荐服务。

优化与测试：让你的推荐系统更加贴心和准确

虽然我们已经成功地构建了一个基本的推荐系统模型，但在实际应用中还有很多可以改进的地方。例如，考虑到冷启动问题（新用户或新物品缺乏足够的历史数据）时，可以引入混合推荐策略结合内容过滤和其他方法来提高推荐质量。此外，还可以定期更新模型参数以反映最新的用户偏好变化。

为了评估推荐系统的性能，常用的指标包括准确率（Accuracy）、召回率（Recall）、F1分数等。同时，也可以设计A/B测试实验来比较不同版本算法的表现差异。总之，持续迭代优化是保持推荐系统竞争力的关键所在。

通过上述介绍，相信你已经对如何利用Python构建一个简易推荐系统有了初步的认识。当然，这只是冰山一角，随着技术不断进步，未来还有更多有趣且实用的功能等待着我们去发掘。希望每位读者都能在这片充满无限可能的技术海洋里找到属于自己的宝藏！

嘿！欢迎光临我的小小博客天地——这里就是咱们畅聊的大本营！能在这儿遇见你真是太棒了！我希望你能感受到这里轻松愉快的氛围，就像老朋友围炉夜话一样温馨。

这里不仅有好玩的内容和知识等着你，还特别欢迎你畅所欲言，分享你的想法和见解。你可以把这里当作自己的家，无论是工作之余的小憩，还是寻找灵感的驿站，我都希望你能在这里找到属于你的那份快乐和满足。
让我们一起探索新奇的事物，分享生活的点滴，让这个小角落成为我们共同的精神家园。快来一起加入这场精彩的对话吧！无论你是新手上路还是资深玩家，这里都有你的位置。记得在评论区留下你的足迹，让我们彼此之间的交流更加丰富多元。期待与你共同创造更多美好的回忆！

欢迎来鞭笞我：master_chenchen

【内容介绍】

【算法提升】：算法思维提升，大厂内卷，人生无常，大厂包小厂，呜呜呜。卷到最后大家都是地中海。
【sql数据库】：当你在海量数据中迷失方向时，SQL就像是一位超级英雄，瞬间就能帮你定位到宝藏的位置。快来和这位神通广大的小伙伴交个朋友吧！
【微信小程序知识点】：小程序已经渗透我们生活的方方面面，学习了解微信小程序开发是非常有必要的，这里将介绍微信小程序的各种知识点与踩坑记录。- 【python知识】：它简单易学，却又功能强大，就像魔术师手中的魔杖，一挥就能变出各种神奇的东西。Python，不仅是代码的艺术，更是程序员的快乐源泉！
【AI技术探讨】：学习AI、了解AI、然后被AI替代、最后被AI使唤（手动狗头）

好啦，小伙伴们，今天的探索之旅就到这里啦！感谢你们一路相伴，一同走过这段充满挑战和乐趣的技术旅程。如果你有什么想法或建议，记得在评论区留言哦！要知道，每一次交流都是一次心灵的碰撞，也许你的一个小小火花就能点燃我下一个大大的创意呢！
最后，别忘了给这篇文章点个赞，分享给你的朋友们，让更多的人加入到我们的技术大家庭中来。咱们下次再见时，希望能有更多的故事和经验与大家分享。记住，无论何时何地，只要心中有热爱，脚下就有力量！

对了，各位看官，小生才情有限，笔墨之间难免会有不尽如人意之处，还望多多包涵，不吝赐教。咱们在这个小小的网络世界里相遇，真是缘分一场！我真心希望能和大家一起探索、学习和成长。虽然这里的文字可能不够渊博，但也希望能给各位带来些许帮助。如果发现什么问题或者有啥建议，请务必告诉我，让我有机会做得更好！感激不尽，咱们一起加油哦！

那么，今天的分享就到这里了，希望你们喜欢。接下来的日子里，记得给自己一个大大的拥抱，因为你真的很棒！咱们下次见，愿你每天都有好心情，技术之路越走越宽广！