电影打分与推荐

python程序设计实验报告：

一.电影打分与推荐

1.实验名称：

电影打分与推荐

2.实验目的：

1、理解基于用户的协同过滤算法原理。
2、熟练运用字典和集合。
3、熟练运用内置函数 sum()、min()、len()。

3.实验原理：

编写程序，生成数据模拟（也可以使用真实数据）多人对多个电影的打分（1-5 分），然后根据这些数据对某用户 A 进行推荐。推荐规则为：在已有数据中选择与该用户 A 的爱好最相似的用户 B，然后从最相似的用户 B 已看过但用户 A 还没看过的电影中选择用户 B 打分最高的电影推荐给用户 A。相似度的计算标准为：1）两个用户共同打分过的电影越多，越相似；2）两个用户对共同打分的电影的打分越接近，越相似。

4.仪器与材料：

PC机，pycharm。

5.实验步骤（代码）：

from random import randrange

def generate_movie_ratings(num_users, num_movies):
    """生成随机的用户电影评分数据"""
    return {'user' + str(i): {'film' + str(randrange(1, 15)): randrange(1, 6)
                              for _ in range(randrange(3, 10))}
            for i in range(num_users)}

def generate_user_ratings(num_movies):
    """生成随机的当前用户电影评分数据"""
    return {'film' + str(randrange(1, 15)): randrange(1, 6) for _ in range(num_movies)}

def calculate_similarity(user1, user2):
    """计算两个用户的相似度，返回共同电影数量和打分差值的平方和"""
    common_movies = user1.keys() & user2.keys()
    squared_diff_sum = sum((user1[film] - user2[film]) ** 2 for film in common_movies)
    return -len(common_movies), squared_diff_sum

def find_most_similar_user(user, data):
    """查找与当前用户最相似的用户"""
    return min(data.items(), key=lambda item: calculate_similarity(item[1], user))

def recommend_movie(user, similar_user):
    """在当前用户没看过的电影中选择打分最高的进行推荐"""
    unrated_movies = similar_user.keys() - user.keys()
    return max(unrated_movies, key=lambda film: similar_user[film])

# 模拟数据
data = generate_movie_ratings(10, 15)
user = generate_user_ratings(5)

# 查找最相似用户
similar_user, similar_user_ratings = find_most_similar_user(user, data)

# 输出结果
print('Known Data'.center(50, '='))
for user_id, user_ratings in data.items():
    similarity, squared_diff_sum = calculate_similarity(user_ratings, user)
    print(f"{len(user_ratings.keys() & user.keys())}:{squared_diff_sum}", (user_id, user_ratings))

print('Current User'.center(50, '='))
print(user)

print('Most Similar User and His Films'.center(50, '='))
print(similar_user, similar_user_ratings)

print('Recommended Film'.center(50, '='))
recommended_film = recommend_movie(user, similar_user_ratings)
print(recommended_film)

---

6.问题即讨论

使用列表解析和内置函数： 通过使用列表解析和内置函数，可以使代码更简洁。
可读性改进： 使用更有描述性的变量名和注释，以提高代码可读性。
函数封装： 将相似用户查找和推荐电影的逻辑封装到函数中，以提高代码的模块化和可维护性。

7.运行结果