Python电影推荐系统的实现 _推荐系统

推荐系统是一种根据用户的选择来预测或过滤偏好的系统。推荐系统广泛用于电影, 音乐, 新闻, 书籍, 研究文章, 搜索查询, 社交标签和产品等各个领域。
推荐系统以两种方式中的任何一种生成建议列表：

协同过滤：协作过滤方法会根据用户的过去行为(即用户购买或搜索的商品)以及其他用户做出的类似决策来构建模型。然后, 此模型用于预测用户可能感兴趣的项目(或项目的评级)。
基于内容的过滤：基于内容的过滤方法使用项目的一系列离散特征, 以便推荐具有类似属性的其他项目。基于内容的过滤方法完全基于商品说明和用户偏好设置。它根据用户过去的偏好来推荐商品。

让我们使用Python和Pandas开发一个基本的推荐系统。
让我们专注于提供基本的推荐系统, 方法是建议与某个特定项目(在本例中为电影)最相似的项目。它只是告诉你哪些电影/项目与用户选择的电影最相似。
要下载文件, 请单击链接–.tsv文件, Movie_Id_Titles.csv.
导入带有定界符” \ t” 的数据集, 因为该文件是tsv文件(制表符分隔的文件)。

# import pandas library import pandas as pd# Get the data column_names = [ 'user_id' , 'item_id' , 'rating' , 'timestamp' ]path = 'https://media.srcmini.org/wp-content/uploads/file.tsv'df = pd.read_csv(path, sep = '\t' , names = column_names)# Check the head of the data df.head()

文章图片

# Check out all the movies and their respective IDs movie_titles = pd.read_csv( 'https://media.srcmini.org/wp-content/uploads/Movie_Id_Titles.csv' ) movie_titles.head()

文章图片

data = http://www.srcmini.com/pd.merge(df, movie_titles, on ='item_id' ) data.head()

文章图片

# Calculate mean rating of all movies data.groupby( 'title' )[ 'rating' ].mean().sort_values(ascending = False ).head()

文章图片

# Calculate count rating of all movies data.groupby( 'title' )[ 'rating' ].count().sort_values(ascending = False ).head()

文章图片

# creating dataframe with 'rating' count values ratings = pd.DataFrame(data.groupby( 'title' )[ 'rating' ].mean()) ratings[ 'num of ratings' ] = pd.DataFrame(data.groupby( 'title' )[ 'rating' ].count())ratings.head()

文章图片
可视化导入：

import matplotlib.pyplot as plt import seaborn as snssns.set_style( 'white' ) % matplotlib inline

# plot graph of 'num of ratings column' plt.figure(figsize = ( 10 , 4 ))ratings[ 'num of ratings' ].hist(bins = 70 )

文章图片

# plot graph of 'ratings' column plt.figure(figsize = ( 10 , 4 ))ratings[ 'rating' ].hist(bins = 70 )

文章图片

# Sorting values according to # the 'num of rating column' moviemat = data.pivot_table(index = 'user_id' , columns = 'title' , values = 'rating' )moviemat.head()ratings.sort_values( 'num of ratings' , ascending = False ).head( 10 )

文章图片

# analysing correlation with similar movies starwars_user_ratings = moviemat[ 'Star Wars (1977)' ] liarliar_user_ratings = moviemat[ 'Liar Liar (1997)' ]starwars_user_ratings.head()

文章图片

# analysing correlation with similar movies similar_to_starwars = moviemat.corrwith(starwars_user_ratings) similar_to_liarliar = moviemat.corrwith(liarliar_user_ratings)corr_starwars = pd.DataFrame(similar_to_starwars, columns = [ 'Correlation' ]) corr_starwars.dropna(inplace = True )corr_starwars.head()

文章图片

# Similar movies like starwars corr_starwars.sort_values( 'Correlation' , ascending = False ).head( 10 ) corr_starwars = corr_starwars.join(ratings[ 'num of ratings' ])corr_starwars.head()corr_starwars[corr_starwars[ 'num of ratings' ]> 100 ].sort_values( 'Correlation' , ascending = False ).head()

文章图片

# Similar movies as of liarliar corr_liarliar = pd.DataFrame(similar_to_liarliar, columns = [ 'Correlation' ]) corr_liarliar.dropna(inplace = True )corr_liarliar = corr_liarliar.join(ratings[ 'num of ratings' ]) corr_liarliar[corr_liarliar[ 'num of ratings' ]> 100 ].sort_values( 'Correlation' , ascending = False ).head()