利用movielens数据集实现基于物品的协同过滤推荐

本文利用movielens的ml-100k数据集,通过生成用户对物品的评分矩阵和物品同现矩阵,实现基于物品的协同过滤推荐系统。在jupyter-notebook中进行,重点关注了物品同现矩阵的生成,尽管计算量大(1682*1682),但展示了推荐结果的生成过程。推荐系统会过滤掉用户已观看的电影,并且可以发现与Apriori算法相似的关联度原理。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

文中的数据集来源于 movielens的ml-100k ,数据集包括,u.data、u.item、u.user 。

这里简要介绍下实现的思路,因为是基于物品的协同过滤,所以这里就是找两两物品之间的联系,然后根据物品来给用户进行相应的推荐,这里首先是要生成用户对物品的评分矩阵,然后就是生成物品同现矩阵,推荐结果 =物品同现矩阵*  用户物品评分矩阵。

首先是导入数据,将所给的数据导入进来,因为主要是做的一个实现的过程,所以数据的处理啥的就没怎么去做,主要是实现最终的推荐结果。数据集信息描述如下:
users数量:943 、items数量:1682 、ratings数量:100000 
电影类目 ID对照表如下:1: Action、2: Adventure、3: Animation、4: Children's、5: Comedy
职业列表:artist 、doctor 、educator 、engineer 、entertainment

使用的工具为jupyter-notebook 

import numpy as np 
import pandas as pd 
data_col = ['user_id','item_id','rating','timestamp']

item_col = ['movie_id','movie_title','release_date','video_release_date','IMDb_URL','unknown','Action',
           'Adventure','Animation',"Children's",'Comedy','Crime','Documentary','Drama','Fantasy',
           'Film-Noir','Horror','Musical','Mystery','Romance','Sci-Fi','Thriller','War','Western']

user_col = ['user_id','age','gender','occupation'
协同过滤算法(Collaborative Filtering)是一种经典的推荐算法,其基本原理是“协同大家的反馈、评价和意见,一起对海量的信息进行过滤,从中筛选出用户可能感兴趣的信息”。它主要依赖于用户和物品之间的行为关系进行推荐协同过滤算法主要分为两类: 基于物品协同过滤算法:给用户推荐与他之前喜欢的物品相似的物品。 基于用户的协同过滤算法:给用户推荐与他兴趣相似的用户喜欢的物品协同过滤算法的优点包括: 无需事先对商品或用户进行分类或标注,适用于各种类型的数据。 算法简单易懂,容易实现和部署。 推荐结果准确性较高,能够为用户提供个性化的推荐服务。 然而,协同过滤算法也存在一些缺点: 对数据量和数据质量要求较高,需要大量的历史数据和较高的数据质量。 容易受到“冷启动”问题的影响,即对新用户或新商品的推荐效果较差。 存在“同质化”问题,即推荐结果容易出现重复或相似的情况。 协同过滤算法在多个场景中有广泛的应用,如电商推荐系统、社交网络推荐和视频推荐系统等。在这些场景中,协同过滤算法可以根据用户的历史行为数据,推荐与用户兴趣相似的商品、用户或内容,从而提高用户的购买转化率、活跃度和社交体验。 未来,协同过滤算法的发展方向可能是结合其他推荐算法形成混合推荐系统,以充分发挥各算法的优势。
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值