当前位置:

首页 > 编程开发 > 如何在Python中构建一个简单的推荐系统

如何在Python中构建一个简单的推荐系统

如何在Python中构建一个简单的推荐系统推荐系统是为了帮助人们发现和选择他们可能感兴趣的物品而设计的。Python提供了丰富的库和工具,可以帮助我们构建一个简单但有效的推荐系统。本文将介绍如何使用Python构建一个基于用户的协同过滤推荐系统,并提供具体的代码示例。协同过滤是一种推荐系统的常见算法,它基于用户的行为历史数据来推断用户之间的相似性,然后利用这

本文目录

    如何在Python中构建一个简单的推荐系统

    推荐系统是为了帮助人们发现和选择他们可能感兴趣的物品而设计的。Python提供了丰富的库和工具,可以帮助我们构建一个简单但有效的推荐系统。本文将介绍如何使用Python构建一个基于用户的协同过滤推荐系统,并提供具体的代码示例。

    协同过滤是一种推荐系统的常见算法,它基于用户的行为历史数据来推断用户之间的相似性,然后利用这些相似性来预测和推荐物品。我们将使用MovieLens数据集,它包含了一组用户对电影的评分数据。首先,我们需要安装所需的库:

    pip install pandas scikit-learn

    接下来,我们将导入所需的库并加载MovieLens数据集:

    import pandas as pd
    from sklearn.model_selection import train_test_split
    
    # 加载数据集
    data = pd.read_csv('ratings.csv')

    该数据集包含userId、movieId和rating三列,分别表示用户ID、电影ID和评分。接下来,我们将数据集拆分为训练集和测试集:

    train_data, test_data = train_test_split(data, test_size=0.2, random_state=42)

    现在,我们可以构建推荐系统了。这里我们将使用用户间的余弦相似度作为相似度度量指标。我们将创建两个字典来存储用户和电影的相似度得分:

    # 计算用户之间的相似度
    def calculate_similarity(train_data):
        similarity = dict()
        for user in train_data['userId'].unique():
            similarity[user] = dict()
            user_ratings = train_data[train_data['userId'] == user]
            for movie in user_ratings['movieId'].unique():
                similarity[user][movie] = 1.0
    
        return similarity
    
    # 计算用户之间的相似度得分
    def calculate_similarity_score(train_data, similarity):
        for user1 in similarity.keys():
            for user2 in similarity.keys():
                if user1 != user2:
                    user1_ratings = train_data[train_data['userId'] == user1]
                    user2_ratings = train_data[train_data['userId'] == user2]
                    num_ratings = 0
                    sum_of_squares = 0
                    for movie in user1_ratings['movieId'].unique():
                        if movie in user2_ratings['movieId'].unique():
                            num_ratings += 1
                            rating1 = user1_ratings[user1_ratings['movieId'] == movie]['rating'].values[0]
                            rating2 = user2_ratings[user2_ratings['movieId'] == movie]['rating'].values[0]
                            sum_of_squares += (rating1 - rating2) ** 2
                    similarity[user1][user2] = 1 / (1 + (sum_of_squares / num_ratings) ** 0.5)
    
        return similarity
    
    # 计算电影之间的相似度得分
    def calculate_movie_similarity_score(train_data, similarity):
        movie_similarity = dict()
        for user in similarity.keys():
            for movie in train_data[train_data['userId'] == user]['movieId'].unique():
                if movie not in movie_similarity.keys():
                    movie_similarity[movie] = dict()
    
                for other_movie in train_data[train_data['userId'] == user]['movieId'].unique():
                    if movie != other_movie:
                        movie_similarity[movie][other_movie] = similarity[user][other_user]
    
        return movie_similarity
    
    # 构建推荐系统
    def build_recommendation_system(train_data, similarity, movie_similarity):
        recommendations = dict()
        for user in train_data['userId'].unique():
            user_ratings = train_data[train_data['userId'] == user]
            recommendations[user] = dict()
            for movie in train_data['movieId'].unique():
                if movie not in user_ratings['movieId'].unique():
                    rating = 0
                    num_movies = 0
                    for other_user in similarity[user].keys():
                        if movie in train_data[train_data['userId'] == other_user]['movieId'].unique():
                            rating += similarity[user][other_user] * train_data[(train_data['userId'] == other_user) & (train_data['movieId'] == movie)]['rating'].values[0]
                            num_movies += 1
                    if num_movies > 0:
                        recommendations[user][movie] = rating / num_movies
    
        return recommendations
    
    # 计算评价指标
    def calculate_metrics(recommendations, test_data):
        num_users = 0
        sum_of_squared_error = 0
        for user in recommendations.keys():
            if user in test_data['userId'].unique():
                num_users += 1
                for movie in recommendations[user].keys():
                    if movie in test_data[test_data['userId'] == user]['movieId'].unique():
                        predicted_rating = recommendations[user][movie]
                        actual_rating = test_data[(test_data['userId'] == user) & (test_data['movieId'] == movie)]['rating'].values[0]
                        sum_of_squared_error += (predicted_rating - actual_rating) ** 2
        rmse = (sum_of_squared_error / num_users) ** 0.5
    
        return rmse
    
    # 计算用户之间的相似度
    similarity = calculate_similarity(train_data)
    
    # 计算用户之间的相似度得分
    similarity = calculate_similarity_score(train_data, similarity)
    
    # 计算电影之间的相似度得分
    movie_similarity = calculate_movie_similarity_score(train_data, similarity)
    
    # 构建推荐系统
    recommendations = build_recommendation_system(train_data, similarity, movie_similarity)
    
    # 计算评价指标
    rmse = calculate_metrics(recommendations, test_data)

    最后,我们可以输出推荐系统的结果和评价指标:

    print(recommendations)
    print('RMSE:', rmse)

    通过上述代码示例,我们在Python中成功构建了一个基于用户的协同过滤推荐系统,并计算了其评价指标。当然,这只是一个简单的示例,实际的推荐系统需要更复杂的算法和更大规模的数据集来获得更准确的推荐结果。

    总结一下,Python提供了强大的库和工具来构建推荐系统,我们可以使用协同过滤算法来推断用户之间的相似性,并根据这些相似性来进行推荐。希望本文能够帮助读者理解如何在Python中构建一个简单但有效的推荐系统,并为进一步探索推荐系统的领域提供了一些思路。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发 Python
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例,涵盖保持顺序与不保持顺序的场景,适合初学者和进阶开发者参考。

    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例,涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档(docx格式),涵盖基础文本提取代码示例、结构化数据处理逻辑,以及处理复杂排版时的技术局限与替代方案。

    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南,包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异,从编译机制、变量内存布局、动态类型推断到GIL锁,系统阐明底层核心原理。

    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异,提供清晰有据的选择标准与切实的入门学习路径。

    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节,涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案,提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景,系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异,给出清晰的架构选型依据与落地方案。

    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解,系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化(MemorySaver)等核心机制,提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    Windows 安装 Python:从官方入口到虚拟环境的可复现实践
    Windows 安装 Python:从官方入口到虚拟环境的可复现实践

    面向后端开发者,基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界,避免常见配置误区。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。