使用奇异值分解提高协同过滤的推荐效果

这篇文章介绍的主要内容有：

1、使用基于项目的协同过滤构建一个简单的推荐系统

2、利用SVD来提高推荐系统的效果

3、推荐系统面临的挑战

在上一篇文章中已经介绍过了基于用户、基于项目的协同过滤以及基于内容的过滤。基于用户的协同过滤，用户相似度的计算会随着用户的增加而增加。

一、基于物品的协同过滤

上面是11个用户对于10部电影的评价，我们通过其他用户对电影的评价，来预测用户没有看过的电影(评价为0)。实现的效果是，输入用户的编号(下标)，输出用户排名前3最有可能喜欢的电影(用户没有评价过的电影)，以及预测的评分，电影相似度的计算采用余弦相似度。整个程序由两部分组成，第一部分是根据用户的下标和电影的下标，返回预测用户对电影的评分。第二部分输出用户评价最高的三部电影和评分。

#encoding:utf-8
import pandas as pd
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

'''
预测用户对电影的评分
move_data：电影评分矩阵
user_index: 用户下标
move_index: 电影下标
'''
def predict_movie_rating