基于python/Apriori的电影推荐系统

基于python/Apriori的电影推荐系统

包含内容:数据集➕ppt➕文档➕代码

基于Apriori算法的电影推荐系统主要是利用关联规则挖掘技术来发现用户观看历史中的模式，并根据这些模式向用户推荐电影。Apriori算法是用于频繁项集挖掘和关联规则学习的经典算法，它通过迭代地搜索数据集中所有可能的频繁项集来工作。

下面是一个简化的示例代码，演示了如何使用Python和mlxtend库实现一个基本的电影推荐系统。在这个例子中，我们将使用一组虚拟的用户-电影观看数据作为输入，并尝试找出哪些电影经常一起被观看，从而为用户提供推荐。

安装必要的库

首先，你需要安装mlxtend库，这是一个提供了Apriori算法实现以及其他机器学习工具的Python库。

pip install mlxtend

示例代码

以下是一个简单的基于Apriori算法的电影推荐系统的Python代码：

from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, association_rules
import pandas as pd

# 虚拟数据：用户和他们观看过的电影列表
data = [
    ['The Matrix', 'Titanic'],
    ['Titanic', 'Avatar'],
    ['The Matrix', 'Inception'],
    ['Inception', 'Avatar'],
    ['The Matrix', 'Titanic', 'Avatar'],
    ['Avatar', 'Titanic'],
    ['The Matrix', 'Inception'],
]

# 将数据转换为适合apriori函数的格式
te = TransactionEncoder()
te_ary = te.fit(data).transform(data)
df = pd.DataFrame(te_ary, columns=te.columns_)

# 使用Apriori算法找到频繁项集
frequent_itemsets = apriori(df, min_support=0.2, use_colnames=True)

# 生成关联规则
rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1)

# 根据置信度排序并显示结果
rules = rules.sort_values(['confidence', 'lift'], ascending=[False, False])

print("频繁项集：")
print(frequent_itemsets)

print("\n关联规则：")
print(rules)

# 简单推荐逻辑：对于给定的电影，查找能与之一起推荐的其他电影
def recommend(movie):
    recommended_movies = []
    for index, rule in rules.iterrows():
        if movie in rule['antecedents']:
            recommended_movies.extend(list(rule['consequents']))
    return set(recommended_movies)

# 测试推荐系统
print("\n推荐与'The Matrix'一起观看的电影：")
print(recommend('The Matrix'))

说明

• 数据准备：我们创建了一个包含多个用户及其观看过电影的列表的数据集。
• Apriori算法：通过mlxtend库的apriori函数计算出数据集中的频繁项集。这里min_support参数指定了最小支持度阈值，低于此阈值的项集将被忽略。
• 关联规则生成：使用association_rules函数从频繁项集中生成关联规则。在这里，我们使用提升度（lift）作为衡量标准，且设置最低阈值为1，以筛选出有意义的关联规则。
• 推荐逻辑：对于特定电影，通过查找其出现在前件（antecedents）中的关联规则，并返回相应的后件（consequents）作为推荐。