ML之MF：基于MovieLens电影评分数据集利用基于矩阵分解算法(NMF)实现对用户进行Top5电影推荐案例

ML之MF：基于MovieLens电影评分数据集利用基于矩阵分解算法(NMF)实现对用户进行Top5电影推荐案例

目录

基于MovieLens电影评分数据集利用基于矩阵分解算法(NMF)实现对用户进行Top5电影推荐案例

# 1、定义数据集

# 2、数据预处理

# 2.1、构建用户-电影评分矩阵

# 3、模型训练与推理

# 3.1、模型建立

# 3.2、模型训练

# 3.3、模型推理：基于评分表对用户进行推荐最高的5部电影

# 3.3.1、批量对用户预测

# 3.3.2、对指定用户预测，再该用户对未评分电影的评分的情况下

---

相关文章
ML之MF：基于MovieLens电影评分数据集利用基于矩阵分解算法(NMF)实现对用户进行Top5电影推荐案例
ML之MF：基于MovieLens电影评分数据集利用基于矩阵分解算法(NMF)实现对用户进行Top5电影推荐案例实现代码

基于MovieLens电影评分数据集利用基于矩阵分解算法(NMF)实现对用户进行Top5电影推荐案例

# 1、定义数据集

userId	movieId	rating	timestamp
1	1	4	964982703
1	3	4	964981247
1	6	4	964982224
1	47	5	964983815
1	50	5	964982931
1	70	3	964982400
1	101	5	964980868
1	110	4	964982176
1	151	5	964984041
1	157	5	964984100

movieId	title	genres
1	Toy Story (1995)	Adventure|Animation|Children|Comedy|Fantasy
2	Jumanji (1995)	Adventure|Children|Fantasy
3	Grumpier Old Men (1995)	Comedy|Romance
4	Waiting to Exhale (1995)	Comedy|Drama|Romance
5	Father of the Bride Part II (1995)	Comedy
6	Heat (1995)	Action|Crime|Thriller
7	Sabrina (1995)	Comedy|Romance
8	Tom and Huck (1995)	Adventure|Children
9	Sudden Death (1995)	Action
10	GoldenEye (1995)	Action|Adventure|Thriller
11	American President, The (1995)	Comedy|Drama|Romance

        userId  movieId  rating   timestamp
0            1        1     4.0   964982703
1            1        3     4.0   964981247
2            1        6     4.0   964982224
3            1       47     5.0   964983815
4            1       50     5.0   964982931
...        ...      ...     ...         ...
100831     610   166534     4.0  1493848402
100832     610   168248     5.0  1493850091
100833     610   168250     5.0  1494273047
100834     610   168252     5.0  1493846352
100835     610   170875     3.0  1493846415

[100836 rows x 4 columns]

# 2、数据预处理

# 2.1、构建用户-电影评分矩阵

(610, 9724)

# 3、模型训练与推理

# 3.1、模型建立

user_vector 
 [[0.01526719 0.         0.         ... 0.05609566 0.0136756  0.        ]
 [0.         0.         0.1684357  ... 0.         0.         0.        ]
 [0.         0.         0.         ... 0.         0.         0.01672881]
 ...
 [0.40784337 0.         0.         ... 1.01080972 0.         0.95654618]
 [0.         0.         0.         ... 0.         0.         0.        ]
 [0.         0.         1.5909363  ... 0.         0.         3.87384557]]
item_vector 
 [[1.40945120e-01 1.27354584e-01 3.51527953e-01 ... 0.00000000e+00
  0.00000000e+00 0.00000000e+00]
 [1.34669831e-01 1.34021139e-01 0.00000000e+00 ... 0.00000000e+00
  0.00000000e+00 0.00000000e+00]
 [6.96397897e-01 8.60262712e-01 0.00000000e+00 ... 2.79393731e-02
  2.79393731e-02 2.35939398e-02]
 ...
 [1.91312235e+00 1.37028132e+00 4.63889253e-01 ... 0.00000000e+00
  0.00000000e+00 0.00000000e+00]
 [1.81885093e+00 1.20570539e+00 1.32260449e+00 ... 0.00000000e+00
  0.00000000e+00 0.00000000e+00]
 [1.28710844e-03 2.39310166e-01 0.00000000e+00 ... 0.00000000e+00
  0.00000000e+00 0.00000000e+00]]

# 3.2、模型训练

pred_ratings 
 [[2.62855445e+00 1.01779693e+00 8.05678172e-01 ... 0.00000000e+00
  0.00000000e+00 4.33188277e-03]
 [2.57480353e-01 1.44898956e-01 0.00000000e+00 ... 4.70598799e-03
  4.70598799e-03 7.12138324e-03]
 [8.40818766e-02 3.81618949e-02 2.94026610e-02 ... 0.00000000e+00
  0.00000000e+00 0.00000000e+00]
 ...
 [4.18288177e+00 2.47847625e+00 1.21541771e+00 ... 0.00000000e+00
  0.00000000e+00 1.17176752e-02]
 [8.63399333e-01 7.02331092e-01 3.40531982e-01 ... 0.00000000e+00
  0.00000000e+00 9.68909148e-04]
 [1.35691562e+00 2.29567381e+00 0.00000000e+00 ... 4.44497630e-02
  4.44497630e-02 4.30147711e-02]]

# 3.3、模型推理：基于评分表对用户进行推荐最高的5部电影

# 3.3.1、批量对用户预测

user_id 1: [ 507  901  793 2077 1210]
user_id 2: [1938 2224 4791 3633 4131]
user_id 3: [897 224 910 938 901]
user_id 4: [908 950 945 659 705]
user_id 5: [314 418 510 138 134]
user_id 6: [260   0 546  35 385]
user_id 7: [1938 2224  277  257 1502]
user_id 8: [138 307 134 506 507]
user_id 9: [1938 2224  277  224  314]
user_id 10: [4421 5156 3569 7355 4070]
user_id 11: [257 509 508 506 322]

# 3.3.2、对指定用户预测，再该用户对未评分电影的评分的情况下

推荐给用户11的电影是：257,《['Just Cause (1995)']》