案例--基于协同过滤的电影推荐

• python编程快速上手（持续更新中…）
• • 推荐系统基础
  • 学习目标
  • User-based CF 预测电影评分
  • • 1.加载数据
    • 2.构建透视表，用户和电影之间关系
    • 3.计算用户之间相似度
    • 4.预测用户对物品的评分 （以用户1对电影1评分为例）
    • 5.相似用户筛选规则：正相关的用户
    • 6. 从用户1的近邻相似用户中筛选出对物品1有评分记录的近邻用户
    • 7.计算用户1对商品1评分预测

• 应用基于用户的协同过滤实现电影评分预测
• 应用基于物品的协同过滤实现电影评分预测

数据集下载

• 下载地址：MovieLens Latest Datasets Small
  提取码：c5fe
  数据量小，便于我们单机使用和运行

加载ratings.csv，转换为用户-电影评分矩阵并计算用户之间相似度

# 导入包
import pandas as pd
import numpy as np

# 定义类型
dtype = {"userId": np.int32, "movieId": np.int32, "rating": np.float32}

# 加载数据
ratings = pd.read_csv('../data/ml-latest-small/ratings.csv')
ratings

# 透视表，将电影ID转换为列名称，转换成为一个User-Movie的评分矩阵
ratings_matrix = ratings.pivot_table(index=["userId"], columns=["movieId"],values="rating")
ratings_matrix

# 计算用户之间相似度
user_similar = ratings_matrix.T.corr()
user_similar

# 预测用户1和物品1评分
similar_users = user_similar[1].drop([1]).dropna()
similar_users

# 相似用户筛选规则：正相关的用户
similar_users = similar_users.where(similar_users>0).dropna()
similar_users

ids = set(ratings_matrix[1].dropna().index)&set(similar_users.index)
ids

# 
finally_similar_users = similar_users.loc[list(ids)]
finally_similar_users

# 计算用户1对商品1评分预测
numerator = 0    # 评分预测公式的分子部分的值
denominator = 0    # 评分预测公式的分母部分的值
for sim_uid, similarity in finally_similar_users.iteritems():
    # 近邻用户的评分数据
    sim_user_rated_movies = ratings_matrix.loc[sim_uid].dropna()
    # 近邻用户对iid物品的评分
    sim_user_rating_for_item = sim_user_rated_movies[1]
    # 计算分子的值
    numerator += similarity * sim_user_rating_for_item
    # 计算分母的值
    denominator += similarity
# 4 计算预测的评分值
predict_rating = numerator/denominator
print("预测出用户<%d>对电影<%d>的评分：%0.2f" % (1, 1, predict_rating))