推荐系统实例_推荐系统有哪三个部分组成

协同过滤算法：

# 第14课：推荐系统实践 - 完整的协同过滤推荐系统示例

# 1. 导入必要的库
import pandas as pd
from sklearn.metrics.pairwise import cosine_similarity

# 2. 准备数据：创建用户-图书评分数据集
def create_data():
    """
    创建并返回用户-图书评分DataFrame
    """
    user_book_ratings = {
        '用户': ['小明', '小红', '小刚', '小丽', '小华'],
        '《三体》': [5, 4, 5, 3, 2],
        '《哈利波特》': [4, 5, 3, 4, 5],
        '《小王子》': [2, 3, 1, 5, 4],
        '《西游记》': [3, 2, 4, 2, 3],
        '《编程入门》': [1, 1, 2, 1, 5]
    }
    
    # 创建DataFrame并设置用户列为索引
    rating_df = pd.DataFrame(user_book_ratings).set_index('用户')
    return rating_df

# 3. 计算用户相似度矩阵
def calculate_similarity(rating_df):
    """
    计算并返回用户余弦相似度矩阵
    """
    # 使用余弦相似度计算用户之间的相似性
    user_similarity = cosine_similarity(rating_df)
    
    # 将相似度矩阵转换为DataFrame，方便阅读
    user_sim_df = pd.DataFrame(
        user_similarity,
        index=rating_df.index,
        columns=rating_df.index
    )
    return user_sim_df

# 4. 生成推荐结果
def generate_recommendations(target_user, rating_df, user_sim_df, n=2):
    """
    为目标用户生成图书推荐
    
    参数:
    target_user: 目标用户名
    rating_df: 用户-图书评分矩阵
    user_sim_df: 用户相似度矩阵
    n: 推荐数量
    """
    # 找到与目标用户最相似的其他用户（排除自己）
    similar_users = user_sim_df[target_user].sort_values(ascending=False)[1:]
    
    recommendations = {}
    
    # 遍历相似用户
    for user, similarity in similar_users.items():
        # 获取该相似用户的评分数据
        user_ratings = rating_df.loc[user]
        
        # 遍历相似用户评分过的图书
        for book, rating in user_ratings.items():
            # 只考虑评分较高的图书（>=4分）且目标用户未评分或评分较低的
            if rating >= 4 and rating_df.loc[target_user, book] < 3:
                if book not in recommendations:
                    recommendations[book] = 0
                # 加权计算推荐度：相似度 × 评分
                recommendations[book] += similarity * rating
    
    # 按推荐度排序并返回前n个结果
    sorted_recommendations = sorted(
        recommendations.items(), 
        key=lambda x: x[1], 
        reverse=True
    )[:n]
    
    return sorted_recommendations

# 5. 主函数：运行完整的推荐流程
def main():
    """
    运行推荐系统的主要流程
    """
    print("=" * 50)
    print("推荐系统实践 - 协同过滤算法演示")
    print("=" * 50)
    
    # 步骤1: 创建数据
    print("\n1. 用户-图书评分矩阵：")
    rating_df = create_data()
    print(rating_df)
    
    # 步骤2: 计算用户相似度
    print("\n2. 用户相似度矩阵：")
    user_sim_df = calculate_similarity(rating_df)
    print(user_sim_df.round(3))  # 保留3位小数便于阅读
    
    # 步骤3: 为每个用户生成推荐
    print("\n3. 个性化推荐结果：")
    print("-" * 30)
    
    for user in rating_df.index:
        recommendations = generate_recommendations(user, rating_df, user_sim_df)
        
        if recommendations:
            print(f" 为【{user}】推荐的图书：")
            for book, score in recommendations:
                print(f"    {book} (推荐度：{score:.2f})")
        else:
            print(f" 【{user}】暂无新书推荐")
        print()  # 空行分隔
    
    # 步骤4: 算法原理说明
    print("\n4. 算法原理说明：")
    print("o 基于用户的协同过滤算法")
    print("o 使用余弦相似度计算用户间相似性")
    print("o 推荐度 = 相似用户评分 × 相似度加权和")
    print("o 只为用户推荐未读过的高分书籍")

# 6. 运行程序
if __name__ == "__main__":
    main()

推荐系统实践 - 协同过滤算法演示

==================================================

1. 用户-图书评分矩阵：

《三体》 《哈利波特》 《小王子》 《西游记》 《编程入门》

用户

小明 5 4 2 3 1

小红 4 5 3 2 1

小刚 5 3 1 4 2

小丽 3 4 5 2 1

小华 2 5 4 3 5

2. 用户相似度矩阵：

用户 小明 小红 小刚 小丽 小华

用户

小明 1.000 0.964 0.964 0.873 0.789

小红 0.964 1.000 0.873 0.945 0.850

小刚 0.964 0.873 1.000 0.764 0.774

小丽 0.873 0.945 0.764 1.000 0.865

小华 0.789 0.850 0.774 0.865 1.000

3. 个性化推荐结果：

------------------------------

为【小明】推荐的图书：

《小王子》 (推荐度：7.52)

《编程入门》 (推荐度：3.94)

为【小红】推荐的图书：

《编程入门》 (推荐度：4.25)

《西游记》 (推荐度：3.49)

为【小刚】推荐的图书：

《小王子》 (推荐度：6.91)

《编程入门》 (推荐度：3.87)

为【小丽】推荐的图书：

《编程入门》 (推荐度：4.32)

《西游记》 (推荐度：3.05)

为【小华】推荐的图书：

《三体》 (推荐度：11.21)

4. 算法原理说明：

o 基于用户的协同过滤算法

o 使用余弦相似度计算用户间相似性

o 推荐度 = 相似用户评分 × 相似度加权和

o 只为用户推荐未读过的高分书籍