实训笔记7.12

**实训笔记7.12**

**主题:** 实现一个简单的推荐系统**目标:** 在本次实训中，我们将实现一个简单的推荐系统，能够根据用户的历史行为（如点击、收藏、购买等）为用户提供个性化的商品推荐。

**步骤:**

###1. 数据准备首先，我们需要准备一些数据来训练我们的模型。假设我们有以下数据：

| 用户ID | 商品ID | 行为 |
| --- | --- | --- |
|1 |101 | 点击 |
|1 |102 | 收藏 |
|2 |103 | 购买 |
|3 |104 | 点击 |

###2. 数据预处理我们需要将数据转换成适合模型的格式。我们可以使用以下代码来实现：

import pandas as pd# 加载数据data = pd.read_csv('user_item_behavior.csv')

# 将行为转换为数字编码（点击=0，收藏=1，购买=2）
data['行为'] = data['行为'].map({'点击':0, '收藏':1, '购买':2})

# 将用户ID和商品ID转换为数字编码user_id_map = {str(i): i for i in range(1, max(data['用户ID']) +1)}
item_id_map = {str(i): i for i in range(1, max(data['商品ID']) +1)}

data['用户ID'] = data['用户ID'].map(user_id_map)
data['商品ID'] = data['商品ID'].map(item_id_map)

# 将数据转换为矩阵格式matrix = pd.pivot_table(data, values='行为', index='用户ID', columns='商品ID')

from sklearn.decomposition import TruncatedSVD# 初始化SVD模型svd = TruncatedSVD(n_components=10, random_state=42)

#.fit_transform()方法用于训练模型并将数据转换为矩阵格式matrix_train = svd.fit_transform(matrix)

# 将训练好的模型应用于测试数据matrix_test = svd.transform(matrix)

import numpy as npdef recommend(user_id, num_recs=10):
 # 获取用户的历史行为矩阵 user_matrix = matrix_train[matrix.index == user_id]

 # 计算与用户相似度最高的商品ID similar_items = np.argsort(-user_matrix)

 # 返回推荐列表 return [item for item in similar_items[:num_recs]]

# 测试推荐系统print(recommend(1))