读论文-基于Python的协同过滤算法的研究与应用实现

合集 - 推荐系统-论文(39)

1.【读论文】-- 推荐系统研究综述2024-04-102.基于内容的电影推荐算法研究2024-04-113.基于融合语义信息改进的内容推荐算法。Improved content recommendation algorithm integrating semantic information2024-04-084.基于项目的协同过滤推荐算法(Item-Based Collaborative Filtering Recommendation Algorithms)2024-04-075.什么是注意力机制？2024-04-076.推荐系统-协同过滤2024-04-077.基于矩阵分解的协同过滤算法2024-04-118.读论文-序列感知推荐系统(Sequence-Aware Recommender Systems)2024-04-119.读论文-新闻推荐系统：近期进展、挑战与机遇的评述(News recommender system_ a review of recent progress, challenges, and opportunities)2024-04-1110.基于自注意力机制的轻量级人体姿态估计(Lightweight Human Pose Estimation Based on Self-Attention Mechanism)2024-04-1111.基于注意力机制与改进TF-IDF的推荐算法2024-04-1112.基于正则化的图自编码器在推荐算法中的应用 Application of graph auto-encoders based on regularization in recommendation algorithms2024-04-1113.用余弦相似度修正评分的协同过滤推荐算法2024-04-1114.基于标签值分布的强化学习推荐算法(Reinforcement Learning Recommendation Algorithm Based on Label Value Distribution)2024-04-1115.读论文-一种改进的协同过滤的商品推荐方法2024-04-1116.读论文-基于用户长短期偏好的序列推荐模型2024-04-1117.读论文-顺序推荐系统_挑战、进展和前景(Sequential recommender systems_ challenges, progress and prospects)2024-04-1118.读论文-基于自监督学习的序列推荐算法2024-04-1119.读论文-基于注意力机制的对抗性协同过滤推荐算法2024-04-1120.读论文-基于序列模式的电子商务推荐系统综述(A Survey of Sequential Pattern Based E-Commerce Recommendation Systems)2024-04-1121.读论文-基于会话的推荐系统综述(A survey on session-based recommender systems)2024-04-1122.读论文-基于序列_会话的推荐_挑战，方法，应用和机遇(Sequential_Session-based Recommendations_ Challenges, Approaches, Applications and Opportunities)2024-04-1123.读论文-基于图神经网络的会话推荐方法综述2024-04-11

24.读论文-基于Python的协同过滤算法的研究与应用实现2024-04-11

25.读论文-基于协同过滤的个性化电影推荐系统2024-04-1126.读论文-协同过滤技术综述(A Survey of Collaborative Filtering Techniques)2024-04-1127.读论文-基于注意力机制的浅层图像隐写分析模型2024-04-1128.读论文-基于会话的推荐系统研究2024-04-1129.【论文随笔】推荐系统综述_推荐模型、推荐技术与应用领域(A Survey of Recommendation Systems_ Recommendation Models, Techniques, and Application Fields)2024-04-1130.【论文随笔】深度推荐系统的自动化_一项调查(Automl for deep recommender systems_ A survey)2024-04-1131.读论文-基于自注意力机制和迁移学习的跨领域推荐算法2024-04-1132.读论文-基于会话的推荐方法综述2024-04-1133.【论文随笔】基于会话的推荐系统构建方法调查(Survey On Methods For Building Session-Based Recommender Systems)2024-04-1134.【论文随笔】会话推荐系统综述(A Survey on Conversational Recommender Systems)2024-04-1135.【论文随笔】多行为序列Transformer推荐(Multi-Behavior Sequential Transformer Recommender)2024-04-1136.读论文-电子商务产品推荐的序列推荐系统综述与分类(A Survey and Taxonomy of Sequential Recommender Systems for E-commerce Product Recommendation)2024-04-1137.传统Item-Based协同过滤推荐算法改进2024-04-1138.补充：基于项目的协同过滤推荐算法(Item-Based Collaborative Filtering Recommendation Algorithms)2024-04-1139.Top-N推荐算法 Top-N recommendation Algorithms2024-04-11

收起

前言

今天读的论文为一篇名为《基于Python的协同过滤算法的研究与应用实现》的论文，文章是在2019年9月发表于《电脑知识与技术》的一篇期刊论文。

摘要

随着科学技术的快速发展和知识产权的日益重要，大多数用户会选择在播放平台上看电影。例如腾讯视频、爱奇艺等，用户迫切需要一个合理的电影推荐系统。本文利用Python和协同过滤算法，将个性化推荐技术与电影系统有机结合，给用户个性化的电影推荐。

基于协同过滤的推荐算法

介绍

协调过滤算法是目前最成功有效的个性化推荐算法，广泛应用与各领域中。协同过滤算法分析用户的兴趣，然后在用户群中寻找指定的用户的相似兴趣的用户，最后综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度进行预测。

协同过滤算法一般分三步实现：第一步，收集用户偏好，也就是获得用户对某些信息项的评价；第二步，找到相似的用户或物品，即分析用户之间的相似性并预测特定用户对某一信息的喜好。第三步，进行个性化电影推荐。

实现

收集用户偏好

收集用户的偏好信息是电影个性化推荐系统的推荐效果的重要影响因素，基于用户的行为和偏好发现规律来进行推荐。

寻找相似用户

利用网络爬虫获取的电影评分数据中选择5个用户对2部电影的评分来说明如何通过用户对电影的偏好寻找相似的用户。收集到的信息如下表：

相似度计算

常见的计算相似度的公式有：

1. 欧几里得距离公式

2. 皮尔逊系数

文章使用皮尔逊系数来研究相关度。下面是5个用户对5部电影的评分表：

实现

首先录入用户信息，然后计算皮尔逊相关系数，找出有对某些电影兴趣相同的用户，最后通过加权平均所有人的评价值向目标用户进行电影推荐。首先导入网络爬虫爬起到的数据。

录入用户数据

插入待推荐用户的数据

最后，加权平均所有人的评价值向目标用户进行电影推荐：

结尾

今天就到这了，明天见喽。