### 关于头歌平台上的Python程序设计第二关电影推荐系统 要实现一个简单的基于协同过滤的电影推荐系统，可以采用如下方式。虽然未提供具体引用中的代码细节，但以下是常见的实现逻辑。 #### 构建用户-物品评分矩阵 为了建立推荐模型，通常需要先创建一个用户-物品（这里是电影）的评分矩阵。假设有一个二维数组表示用户的评分情况： ```python import numpy as np ratings = [ [5, 3, 0, 1], [4, 0, 0, 1], [1, 1, 0, 5], [1, 0, 0, 4], [0, 1, 5, 4] ] ratings_matrix = np.array(ratings) print("Ratings Matrix:") print(ratings_matrix) ``` 此代码片段定义了一个 `numpy` 数组来存储用户对不同电影的评分[^4]。 #### 计算相似度 计算两个用户之间的相似度可以通过余弦相似度或者皮尔逊相关系数等方式完成。这里展示如何通过 `scipy.spatial.distance.cosine` 来计算余弦距离并转换成相似度分数。 ```python from scipy.spatial import distance def cosine_similarity(user_a, user_b): cos_sim = 1 - distance.cosine(user_a, user_b) return cos_sim similarity_scores = [] for i in range(len(ratings)): similarity_scores.append(cosine_similarity(ratings[i], ratings[0])) print("Similarity Scores with User 0:", similarity_scores) ``` 上述代码展示了如何利用余弦相似度衡量其他用户与目标用户（此处为第0位用户）间的相似程度[^5]。 #### 预测未知评分 对于尚未观看过的电影，可以根据与其最相近的几个邻居给出预测分值。下面是一个简化版的例子： ```python def predict_rating(target_user_index, item_index, k=2): scores_and_indices = [(cosine_similarity(ratings[target_user_index], ratings[u]), u) for u in range(len(ratings)) if u != target_user_index and ratings[u][item_index] > 0] top_k_neighbors = sorted(scores_and_indices, key=lambda x: x[0], reverse=True)[:k] numerator = sum([s * ratings[n][item_index] for s, n in top_k_neighbors]) denominator = sum([abs(s) for s, _ in top_k_neighbors]) predicted_score = numerator / denominator if denominator != 0 else 0 return predicted_score predicted_value = predict_rating(0, 2, k=2) print(f"Predicted Rating for Item 2 by User 0 is {predicted_value}") ``` 这段脚本实现了基本的K近邻算法用于预测特定项目得分的功能[^6]。 #### 总结说明 以上仅作为基础框架供参考学习之用，在实际应用中可能还需要考虑更多因素比如稀疏性处理、冷启动问题以及性能优化等问题。如果涉及更复杂的场景，则建议引入专门库如Surprise来进行开发[^7]。