基于模型的协同过滤电影评分预测模型

⚠申明： 未经许可，禁止以任何形式转载，若要引用，请标注链接地址。 全文共计3077字，阅读大概需要10分钟
🌈更多学习内容， 欢迎👏关注👀【文末】我的个人微信公众号：不懂开发的程序猿
⏰个人网站：https://jerry-jy.co/

❗❗❗知识付费，🈲止白嫖，有需要请后台私信或【文末】个人微信公众号联系我

基于模型的协同过滤电影评分预测模型

---

实验目录

1. 基于模型的协同过滤电影评分预测模型

实验内容

1. 基于模型的协同过滤电影评分预测模型

知识点

1. 协同过滤通过寻找“相近”的偏好来进行推荐
   2). 基于模型的协同过滤可以克服基于记忆的协同过滤带来的稀疏问题

实验目的

1. 学习建立基于SVD的协同过滤模型进行推荐

实验环境

1. Oracle Linux 7.4
2. Python 3

任务实施过程

1.打开Jupyter，并新建python工程

1. 桌面空白处右键，点击Konsole打开一个终端

2. 切换至/experiment/jupyter目录

cd experiment/jupyter

3. 启动Jupyter，root用户下运行需加–allow-root

jupyter notebook --ip=127.0.0.1 --allow-root

4. 依次点击右上角的 New，Python 3新建python工程

5. 点击Untitled，在弹出框中修改标题名，点击Rename确认

2.数据准备

1. Jupyter输入代码后，使用shift+enter执行，下同。
2. 这是一个跨国数据集，其中包含了2010年12月1日至2011年12月12日期间在英国和注册的非商店在线零售之间发生的所有交易。字段说明：

• InvoiceNo: Invoice number. Nominal, a 6-digit integral number uniquely assigned to each transaction. If this code starts with letter ‘c’, it indicates a cancellation.
• StockCode: Product (item) code. Nominal, a 5-digit integral number uniquely assigned to each distinct product.
• Description: Product (item) name. Nominal.
• Quantity: The quantities of each product (item) per transaction. Numeric.
• InvoiceDate: Invice Date and time. Numeric, the day and time when each transaction was generated.
• UnitPrice: Unit price. Numeric, Product price per unit in sterling.
• CustomerID: Customer number. Nominal, a 5-digit integral number uniquely assigned to each customer.
• Country: Country name. Nominal, the name of the country where each customer resides.

3. 读取数据

import pandas as pd
df = pd.read_csv('/root/experiment/datas/ratings.csv')
df.head()

3.数据预处理

1. 将数据集转化为需要的格式

from surprise import Dataset, Reader
reader = Reader(rating_scale=(0.5, 5))
data = Dataset.load_from_df(df[['userId', 'movieId', 'rating']], reader)

2. 划分训练集和测试集

from surprise.model_selection import train_test_split
tr_set,ts_set = train_test_split(data)

4.建立模型

1. 建立基于SVD的协同过滤模型

from surprise import SVD
algo = SVD()
algo.fit(tr_set)

5.预测与评估

1. 对用户id87，项id337进行预测

y_pred = algo.predict(uid=87,iid=337)
y_pred.est

2. 对预测结果可视化（绘图时，由于jupyter的问题，执行时可能需重复执行才能显示绘图结果，下同）

tmp = pd.DataFrame(algo.test(ts_set))
import matplotlib.pyplot as plt
import numpy as np
jitter1 = np.random.randn(tmp.shape[0])/20
jitter2 = np.random.randn(tmp.shape[0])/40
plt.scatter(tmp['r_ui']+jitter1,round(tmp['est']*2,0)/2+jitter2,alpha=0.003)
plt.show()

6.实验结论

1. 对用户ID为87、电影ID为337预测打分为3.67分。
2. 观察预测结果，有明显的对角线趋势，绝大部分预测得分偏差±0.5以内。

数据集资源

链接: https://pan.baidu.com/s/1449wigKQrd2BrWUgrI90jw?pwd=2024
提取码: 2024

–end–

说明

本实验（项目）/论文若有需要，请后台私信或【文末】个人微信公众号联系我