### 基于用户协同过滤的推荐算法 Python 实现 基于用户协同过滤（User-Based Collaborative Filtering, UBCF）的核心思想是比较用户之间的相似性，找到与目标用户兴趣相近的其他用户，并根据这些用户的偏好为目标用户提供推荐。以下是该算法的一个典型实现过程： #### 数据准备 通常使用的数据是一个用户-项目矩阵 \( R \)，其中每一行代表一个用户，每一列代表一个项目（如电影）。矩阵中的值表示用户对该项目的评分。 ```python import numpy as np from sklearn.metrics.pairwise import cosine_similarity # 示例用户-物品评分矩阵 (R) ratings = np.array([ [5, 3, 0, 1], [4, 0, 0, 1], [1, 1, 0, 5], [1, 0, 0, 4], [0, 1, 5, 4] ]) ``` #### 计算用户相似度 常用的相似度计算方法有余弦相似度和皮尔逊相关系数。这里我们使用余弦相似度作为例子。 ```python # 用户相似度矩阵 user_similarity = cosine_similarity(ratings) print("用户相似度矩阵:") print(user_similarity) ``` #### 预测评分 对于未评分的项，可以通过加权平均的方式预测其可能的评分。权重即为用户间的相似度。 ```python def predict_ratings(similarity_matrix, ratings_matrix): mean_user_rating = ratings_matrix.mean(axis=1).reshape(-1, 1) diff_ratings = (ratings_matrix - mean_user_rating) weighted_sum = similarity_matrix.dot(diff_ratings) sum_of_similarities = np.array([np.abs(similarity_matrix).sum(axis=1)]).T prediction = mean_user_rating + weighted_sum / sum_of_similarities return prediction predicted_ratings = predict_ratings(user_similarity, ratings) print("\n预测评分矩阵:") print(predicted_ratings) ``` #### 推荐生成 根据预测评分矩阵，可以为目标用户推荐他们尚未评分但预计会喜欢的项目。 ```python def recommend_items(user_index, predicted_ratings, original_ratings, top_n=3): user_predictions = predicted_ratings[user_index].copy() rated_indices = np.nonzero(original_ratings[user_index])[0] user_predictions[rated_indices] = -np.inf # 忽略已评分项 recommended_item_indices = np.argsort(-user_predictions)[:top_n] return recommended_item_indices recommended_items_for_user_0 = recommend_items(0, predicted_ratings, ratings, top_n=2) print(f"\n为用户 0 推荐的前两项: {recommended_items_for_user_0}") ``` 上述代码展示了如何通过基于用户协同过滤算法完成基本的推荐功能[^2]。 --- ### 注意事项 1. **稀疏性问题**：实际应用中，用户-项目评分矩阵通常是高度稀疏的，这可能导致相似度计算不准确。 2. **扩展性问题**：当用户数量增加时，计算所有用户对之间相似性的开销可能会变得不可接受。 3. **冷启动问题**：新加入系统的用户或项目由于缺乏足够的交互记录而难以获得有效的推荐。 针对这些问题，研究者提出了多种改进方案，例如引入基于内容的推荐、混合推荐以及深度学习模型等[^4]。 ---