ML之CF：基于自定义用户-物品评分数据集利用基于用户协同过滤算法(余弦相似度)实现对用户进行产品推荐案例

---

相关文章
ML之CF：基于自定义用户-物品评分数据集利用基于用户协同过滤算法(余弦相似度)实现对用户进行产品推荐案例
ML之CF：基于自定义用户-物品评分数据集利用基于用户协同过滤算法(余弦相似度)实现对用户进行产品推荐案例实现代码

基于自定义用户-物品评分数据集利用基于用户协同过滤算法(余弦相似度)实现对用户进行产品推荐案例

# 1、定义数据集

# 创建用户-物品评分矩阵

ratings = np.array([
    [5, 3, 0, 2, 4, 1],
    [1, 2, 3, 0, 0, 5],
    [4, 1, 2, 5, 0, 0],
    [0, 0, 5, 0, 3, 2],
    [2, 0, 0, 1, 2, 4]
])

# 3、模型训练与推理

# 3.1、计算用户之间的相似度：计算了每个用户与其他用户之间的相似度

user_similarities 
 [[0.         0.34546681 0.65607529 0.30623505 0.64723187]
 [0.34546681 0.         0.2833153  0.64940542 0.70456388]
 [0.65607529 0.2833153  0.         0.23918244 0.38334909]
 [0.30623505 0.64940542 0.23918244 0.         0.45421998]
 [0.64723187 0.70456388 0.38334909 0.45421998 0.        ]]

# 3.2、预测用户对每个物品的评分

predictions 
 [[0.         0.         2.96665702 0.         0.         0.        ]
 [0.         0.         0.         2.10903548 2.78869634 0.        ]
 [0.         0.         0.         0.         3.21329951 2.61499147]
 [2.45339306 2.05611929 0.         2.26342283 0.         0.        ]
 [0.         2.15208113 3.3404965  0.         0.         0.        ]]