### 基于用户的协同过滤算法 Python 实现 以下是基于用户协同过滤算法的一个完整实现示例。此代码旨在通过计算用户之间的相似度来推荐物品（例如电影），具体逻辑如下： #### 数据准备 定义一个简单的评分矩阵，表示不同用户对某些项目的评分。 ```python from math import sqrt # 定义用户-项目评分数据集 data = { 'Alice': {'Item1': 5, 'Item2': 3, 'Item3': 4, 'Item4': 4}, 'Bob': {'Item1': 3, 'Item2': 1, 'Item3': 2, 'Item4': 3, 'Item5': 3}, 'Charlie': {'Item1': 4, 'Item2': 3, 'Item3': 4, 'Item4': 3, 'Item5': 5}, 'David': {'Item1': 3, 'Item2': 3, 'Item4': 1} } ``` --- #### 计算用户间的相似度 使用皮尔逊相关系数作为衡量标准之一。 ```python def pearson_similarity(user1, user2): """ 使用皮尔逊相关系数计算两个用户之间的相似度。 :param user1: 用户1的评分字典 :param user2: 用户2的评分字典 :return: 返回两者的相似度得分 """ both_rated = {} # 找到两者共同评价过的项目 for item in data[user1]: if item in data[user2]: both_rated[item] = 1 n = len(both_rated) if n == 0: return 0 sum_user1 = sum([data[user1][item] for item in both_rated]) sum_user2 = sum([data[user2][item] for item in both_rated]) sum_sq_user1 = sum([pow(data[user1][item], 2) for item in both_rated]) sum_sq_user2 = sum([pow(data[user2][item], 2) for item in both_rated]) product_sum = sum([data[user1][item] * data[user2][item] for item in both_rated]) numerator = product_sum - (sum_user1 * sum_user2 / n) denominator = sqrt((sum_sq_user1 - pow(sum_user1, 2) / n) * (sum_sq_user2 - pow(sum_user2, 2) / n)) if denominator == 0: return 0 return numerator / denominator ``` --- #### 推荐函数 根据目标用户与其他用户的相似度，找到最相近的用户，并据此推荐未被目标用户评分的项目。 ```python def recommend(user): """ 针对指定用户生成推荐列表。 :param user: 被推荐的目标用户名称 :return: 推荐的项目及其预测评分 """ totals = {} similarity_sums = {} for other in data: if other == user: continue sim = pearson_similarity(user, other) if sim <= 0: continue for item in data[other]: if item not in data[user] or data[user][item] == 0: totals.setdefault(item, 0) totals[item] += data[other][item] * sim similarity_sums.setdefault(item, 0) similarity_sums[item] += sim rankings = [(total/similarity_sums[item], item) for item, total in totals.items()] rankings.sort(reverse=True) recommendations = [recommend_item for score, recommend_item in rankings] return recommendations[:5] print(recommend('David')) ``` --- 以上代码展示了如何利用皮尔逊相关系数计算用户间相似度，并进一步完成基于用户协同过滤的推荐[^1]。此外，在实际应用中可以考虑优化性能以及扩展功能，比如引入更复杂的距离度量方法或者处理稀疏矩阵等问题[^2]。