推荐系统实践：基于数据集MovieLens构造简单推荐系统

摘要

本文基于 MovieLens 数据集构造了用户-电影项目评价矩阵，并基于评价矩阵计算两用户间的相似度，取出相似度最高的 N 个用户作为候选用户序列。接着筛选出这 N 个候选用户的高分电影项目且当前用户尚未观看，并根据这高分候选电影项目集合的电影类型，与当前用户所观影的全部电影类型做一个标签共现，预测当前用户对这些高分电影项目的评分，把预测评分最高的 M 个电影项目推荐给当前用户。

关键词：协同过滤；标签共现；电影推荐；Demo 实战验证

MovieLens 是蛮经典的数据集，在验证推荐算法的初期经常会使用到。本文的数据集没有很大，是基于 ml-latest-small（size:1MB）这个超小的数据集来做微型验证的，反正就是验证思路对不对，管它数据集的 size 咋样，对叭！数据集可以去 MovieLens 官网下载，这里就不提供了嘤嘤嘤。

碎碎念

哦对了，本文是给纯小白入门用的，浅浅打代码确实菜的一批，这次的推荐系统算法验证没有用很花哨的程序实现，一行行带小白入门好了，顺带着我也做个总结，为毕业设计中的一个小模块贡献出自己绵薄的力量呜呜呜，这样子一说就感觉自己形象变高大了呢！什么？想了解浅浅的毕业设计是什么？哦，不告诉你，反正浅浅出品，必属精品嘿嘿嘿。好了废话不多说，就开始入门叭。

实战验证

导入第三方库与数据文件

首先是导入一些必备的第三方库：

import numpy as np
import pandas as pd
import csv
import math

NumPy、Pandas、CSV、Math 版本随意，这个没所谓。其实我压根就没觉得 NumPy 要放进去，只是图个方便，顺手就写了。万一有读者想说后续有个去重操作想用 NumPy 搞一搞，这不就方便了嘛。

接着是利用 pd.read_csv() 进行数据的导入，这里用 values.tolist() 就顺手把 dataframe 类型转换成 list 类型了，嗐，我果然是个转换类型小天才，低调低调：

movies=pd.read_csv("movies.csv").values.tolist()
links=pd.read_csv("links.csv").values.tolist()
ratings=pd.read_csv("ratings.csv").values.tolist()
tags=pd.read_csv("tags.csv").values.tolist()

嗷，你们可能对这四个文件很懵逼，来，浅浅让你们开开眼（虽然说可以自行官网下载数据，完了之后再自己看看，让文章更加充实些，我贴一下样本吧）。

数据变量名说明

movies.csv

links.csv

ratings.csv

tags.csv

我对里面表头做个说明：

变量名	含义
movieId	电影编号
title	电影标题
genres	电影类型
imdbId	在 imdb 里的编号（反正我没用到这个）
tmdbId	在 tmdb 里的编号（反正我没用到这个）
userId	用户编号
rating	评分（0.5~5）
timestamp	时间戳（反正我没用到这个）
tags	用户对电影的打标，但我更倾向于类似弹幕（反正我没用到这个）

转换为评价矩阵

但是有上面的数据，看着好像蛮好做的，但是我比较倾向于处理成用户-项目的评价矩阵进行相似性计算，所以，数据处理过程如下：

#产生评价矩阵:movieId=[]#movieId 列表for index in range(len(movies)):movieId.append(movies[index][0])#print(len(movies))这里也是我输出打锚点的地方Q=[]#评价矩阵userRow=[0 for i in range(len(movies)+1)]#userRow 列表是用户评价行,长度为电影数量加一#print(movieId[len(movies)-1])你可以输出看看……userId=[(i+1) for i in range(610)]count = 0 #userId initial
userRow[0]=ratings[0][0]
for index in range(len(ratings)):if count == ratings[index][0]-1:userRow[(movieId.index(ratings[index][6])+1)]=ratings[index][7]elif count != ratings[index][0]-1:count=count+1Q.append(userRow)#添加到评价矩阵 Q 中userRow=[0 for i in range(len(movies)+1)]userRow[0]=ratings[index][0]userRow[(movieId.index(ratings[index][8])+1)]=ratings[index][9]
Q.append(userRow)

我们来分析一下，我当前这个矩阵的大小是 610*9742 那么如果每次打开这个程序都要进行这么一次数据处理，接近六百万次的数据处理能否避免呢？当然可以啦，我直接得到 Q 之后就把它写进一个 Q.csv 的文件里了：

#写入 Q.csv 文件中
with open ("Q.csv","w",newline="") as csvfile:writer = csv.writer(csvfile)writer.writerows(Q)

然后打开 Q.csv 看看，长这样子呢！

篇幅有限，我就不放出整个数据表了，也放不下，反正代码给了，你们自个儿跑就行。

既然已经做了写入，那么每次只需要读取取用即可：

Q=pd.read_csv("Q.csv",header=None).values.tolist()

为了防止发生读取错误吼，可以试着打个锚点输出一下瞅瞅是不是你想要的数据值即可，这个问题很好解决。值得一提的是，这里写入的是一个无表头的 csv 文件，所以要用 header=None 。

相似度计算

然后就是利用评价矩阵计算相似度了：

def similar(i,j):sum_ij = 0 #求和分子mul_i = 0 #i 项的平方和mul_j = 0 #j 项的平方和for index in range(1,len(i)):#if i[index]!=-1 and j[index]!=-1:sum_ij=sum_ij+i[index]*j[index]mul_i=mul_i+i[index]*i[index]mul_j=mul_j+j[index]*j[index]#print("i:",i[index],",j:",j[index])if mul_i==0 or mul_j==0:sim=0else:sim=sum_ij/(math.sqrt(mul_i)*(math.sqrt(mul_j)))#余弦相似度return sim

想看 sim 是啥的可以自己输出一下，反正也就是 print(sim(i,j)) 这里要注意哈，i,j 都是向量，换句话说都是一个 list。

实现标签共现

然后是获取用户的观影类型频数：

def co_tags(userId):userGenres=[]#观影矩阵（二维）userWatchs=[]#观影类型（一维）frequency=[]#类型频率userList=[]#定义用户行向量(存放电影编号)ListIndex=[]#定义用户电影编号下标for index in range(1,len(Q[userId-1])):if Q[userId-1][index]!=0:userList.append(movies[index-1][0])ListIndex.append(index-1)#下标默认从 0 开始，所以减一#print(len(userList))userMovies=[]#二维#MovieTags=[]#一维#得到用户所有观影的电影类型矩阵for item in range(len(ListIndex)):MovieGenres=movies[ListIndex[item]][11].split("|")userGenres.append(MovieGenres)MovieGenres=[]#for index in range(len(userGenres)):#print(userGenres[index])for i in range(len(userGenres)):for j in range(len(userGenres[i])):if userGenres[i][j] in userWatchs:frequency[userWatchs.index(userGenres[i][j])]+=1#自增else:userWatchs.append(userGenres[i][j])frequency.append(1)#print(userWatchs)#print(frequency)...

点击这里阅读全文