### Jupyter Notebook中的协同过滤实验代码示例 以下是基于协同过滤算法的一个简单实现，适用于Jupyter Notebook环境。此代码展示了如何构建一个基本的推荐系统，并利用`scikit-learn`库中的`NearestNeighbors`类完成物品相似度计算。 #### 数据准备 首先需要加载数据集并进行预处理。假设我们有一个用户-物品评分矩阵： ```python import pandas as pd import numpy as np from sklearn.neighbors import NearestNeighbors # 创建虚拟评分数据 data = { 'User': ['A', 'B', 'C', 'D'], 'Item1': [5, 3, 0, 1], 'Item2': [4, 0, 0, 1], 'Item3': [1, 1, 5, 5], 'Item4': [1, 0, 4, 4] } df = pd.DataFrame(data).set_index('User') print(df) ``` #### 构建模型 使用`NearestNeighbors`来寻找最接近的目标物品。 ```python # 转置DataFrame以便按列（物品）查找邻居 item_matrix = df.T.values # 初始化KNN模型，采用余弦距离作为相似性指标 model_knn = NearestNeighbors(metric='cosine', algorithm='brute') model_knn.fit(item_matrix) # 定义目标物品索引 target_item_idx = 0 # 假设我们要找与'Item1'类似的物品 # 查找最近邻 distances, indices = model_knn.kneighbors( item_matrix[target_item_idx].reshape(1, -1), n_neighbors=len(df.columns)-1 ) # 输出结果 for i in range(len(distances.flatten())): if distances.flatten()[i] != 0: # 排除自身 similar_item_name = df.columns[indices.flatten()[i]] similarity_score = 1 - distances.flatten()[i] print(f"Similar to Item{target_item_idx+1}: {similar_item_name}, Similarity Score: {similarity_score:.2f}") ``` 以上代码实现了基于物品的协同过滤方法[^3]。通过调整参数可以适应不同的应用场景。 #### 预测用户对未评分物品的兴趣程度 对于特定用户的兴趣预测，可以通过加权平均的方式得到估计分数。 ```python def predict_rating(user_ratings, neighbors_indices, neighbors_distances): """ 使用基于物品的协同过滤预测用户给定物品的评分。 参数: user_ratings (list): 用户已有的评分向量。 neighbors_indices (list): 近邻物品的索引列表。 neighbors_distances (list): 对应的距离值列表。 返回: float: 预估评价值。 """ numerator = denominator = 0 for idx, dist in zip(neighbors_indices, neighbors_distances): if user_ratings[idx] > 0 and dist != 0: # 只考虑有效评分 weight = 1 - dist numerator += weight * user_ratings[idx] denominator += abs(weight) return numerator / denominator if denominator != 0 else 0 user_A_ratings = df.loc['A'].values predicted_rating = predict_rating( user_A_ratings, indices.flatten(), distances.flatten() ) print(f"Predicted rating by User A on target item: {predicted_rating:.2f}") ``` 该部分扩展了基础功能，允许更精确地评估潜在偏好。 ---