简单的推荐系统教程

目标：给定一个电影表movie，一个分数表rating。通过这两个表格，给出电影表movie里任意一个电影相关的top-n。

思路：首先建立用户与项目矩阵，其次计算用户之间的相似度分数，最后相似度排名，取top-n作为推荐结果。

---

1. 导入库和数据

import pandas as pd

导入movie数据（数据获取方式见本博客底部）

movie=pd.read_csv(r'C:\Users\xbh\Desktop\movie.csv')
movie

由于rating数据集已经把相似度算出来了，所以可以不用看genres这一列。取movieID和title这两列。 

movie=movie.loc[:,["movieId","title"]]   #loc通过行索引 "Index" 中的具体值来取行数据  
movie.head(10)

导入rating数据（数据获取方式见本博客底部） 

rating=pd.read_csv(r'C:\Users\xbh\Desktop\rating.csv')
rating=rating.loc[:,["userId","movieId","rating"]]
rating.head(10)

---

2.建立用户-项目矩阵 

将movie和rating两个数据集合并，建立用户-项目矩阵

data=pd.merge(movie,rating)
data.head(10)

 为了加快运行速度，只采取前1000000行数据进行实验

data=data.iloc[:1000000,:]
data.head(10)

---

3.建立透明表以进行排序 

将userId这一列作为索引建立透明表

pivot_table=data.pivot_table(index=["userId"],columns=["title"],values="rating")
pivot_table.head(10)

 以Bad Boys (1995)这部电影为对象，求出这部电影的相似度矩阵，并进行相似度排序。

这里调用corrwith的函数。

movie_watched=pivot_table["Bad Boys (1995)"]
similarity_with_other_movies=pivot_table.corrwith(movie_watched)

---

4.得出推荐结果

 取相似度排序后的top-10作为Bad Boys (1995)这部电影最后的推荐结果。

similarity_with_other_movies.sort_values(ascending=False).head(10)

---

思考

1.怎么通过movie的genres属性得出评分？

2.怎么自己编写计算相似度的算法？

有思路的大佬们留个言。

---

数据获取方式：扫描下方二维码关注公众号“BoH工作室”，回复 data1 获取数据。

对推荐系统和图神经网络感兴趣的网友可以关注我的微信公众号“BoH工作室”，以后会陆续分享一些推荐系统和图神经网络的学习心得，欢迎大家关注并一起探讨。