# coding=utf-8
# @Time : 2019/12/7 10:31
# @Author : Z
# @Email : S
# @File : 5.0surprise_film.py
#Surprise库使用KNNBaseline算法进行电影推荐
from __future__ import (absolute_import, division, print_function, unicode_literals)
import os
import io
from surprise import KNNBaseline
from surprise import Dataset,Reader
import logging
# level: 设置日志级别,默认为logging.WARNING
# format: 指定输出的格式和内容,format可以输出很多有用信息,如上例所示:
# %(levelno)s: 打印日志级别的数值
# %(levelname)s: 打印日志级别名称
# %(pathname)s: 打印当前执行程序的路径,其实就是sys.argv[0]
# %(filename)s: 打印当前执行程序名
# %(funcName)s: 打印日志的当前函数
# %(lineno)d: 打印日志的当前行号
# %(asctime)s: 打印日志的时间
# %(thread)d: 打印线程ID
# %(threadName)s: 打印线程名称
# %(process)d: 打印进程ID
# %(message)s: 打印日志信息
# datefmt: 指定时间格式
logging.basicConfig(level=logging.INFO,
format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s',
datefmt='%a, %d %b %Y %H:%M:%S')
# 训练推荐模型 步骤:1
def getSimModle():
# Load the movielens
Surprise库使用KNNBaseline算法进行电影推荐
最新推荐文章于 2023-12-13 22:56:26 发布
本文详细介绍了如何利用Surprise库的KNNBaseline算法来实现电影推荐系统。首先,我们导入必要的库,然后加载数据集。接着,我们对数据进行预处理,包括评分标准化和构建用户-物品交互矩阵。接下来,我们实例化KNNBaseline模型,并进行训练。最后,通过评估指标验证模型效果,并展示推荐结果。
摘要由CSDN通过智能技术生成