### 构建基于数据分析的菜单推荐系统的概述 构建一个有效的菜单推荐系统涉及多个方面，包括但不限于数据收集、预处理以及算法的选择。对于这样的项目来说，协同过滤是一种常用的方法之一[^1]。 ### 数据准备阶段 为了建立模型，首先需要获取足够的历史订单记录作为训练集。这些数据通常包含顾客ID、菜品编号及其对应的评分或购买次数等信息。通过分析这类交互行为模式可以挖掘潜在偏好关系。 ```python import pandas as pd # 假设我们有一个CSV文件包含了用户-物品矩阵形式的数据表 data = pd.read_csv('orders.csv') print(data.head()) ``` ### 用户相似度计算方法 一种简单而有效的方式是利用皮尔逊相关系数来衡量不同个体之间的喜好程度差异。该指标能够反映出两者间线性关联性的强弱，在[-1, 1]区间内取值；绝对值越大表示越接近完全正(负)相关[^2]。 ```python from scipy.spatial.distance import pdist, squareform def calculate_user_similarity(ratings_matrix): """ 计算用户间的相似度 """ dists = pdist(ratings_matrix.fillna(0).T, metric='correlation') # 使用皮尔逊距离 similarity_matrix = 1 - squareform(dists) return pd.DataFrame(similarity_matrix, index=ratings_matrix.index, columns=ratings_matrix.index) similarity_df = calculate_user_similarity(data.pivot_table(index=['userId'], columns=['itemId'], values='rating')) print(similarity_df.head()) ``` ### 推荐生成逻辑 当有了上述准备工作之后，则可以根据目标用户的最近邻找到与其兴趣相仿的人群，并据此预测其可能感兴趣却未曾尝试过的菜品列表。具体而言就是寻找那些被邻居们高度评价但自己尚未接触过的产品加入到最终建议之中去[^3]。 ```python def recommend_items(user_id, ratings_matrix, k_neighbors=5, top_n=10): user_similarities = similarity_df[user_id].sort_values(ascending=False)[:k_neighbors] neighbors_data = ratings_matrix.loc[user_similarities.index] candidate_items = set(neighbors_data.columns) - set(ratings_matrix.loc[user_id].dropna().index) recommendations = [] for item in candidate_items: score_sum = sum([neighbors_data.at[neighbor, item]*weight \ for neighbor, weight in zip(user_similarities.index, user_similarities.values)]) avg_score = score_sum / sum(abs(user_similarities)) recommendations.append((item, avg_score)) sorted_recommendations = sorted(recommendations, key=lambda x:x[1], reverse=True)[:top_n] recommended_item_ids = [rec[0] for rec in sorted_recommendations] return recommended_item_ids recommended_menu = recommend_items(userId_example, data_pivot, k_neighbors=7, top_n=8) print(f"Recommended menu items are {recommended_menu}") ```