KTV点歌推荐实验（基于物品的协同过滤和流行度推荐python源码）

本文使用某KTV客户端线上点歌数据集，数据格式为：歌曲id，用户id，点唱次数，采用基于流行度的推荐和基于物品的系统过滤推荐，并画出PR图，给出实验结论：基于物品的推荐在推荐精确度上远超过基于流行度的推荐。

%matplotlib inline

import pandas
from sklearn.model_selection import train_test_split
import numpy as np
import time
from sklearn.externals import joblib
import recommender_live.Recommenders as Recommenders
import recommender_live.Evaluation as Evaluation

加载点歌数据

p = pandas.read_csv('train_data_wx.log', names=['user_id','song_id','listen_count'], dtype=str)

p['listen_count'] = p['listen_count'].astype(int)
print(p.dtypes)
print(p.head())

user_id         object
song_id         object
listen_count     int64
dtype: object
    user_id   song_id  listen_count
0   5333266  10008659             2
1   5333266  00012087             1
2   5333266  00022944             6
3  58290767  14004356             1
4  58290767  10009753             1

数据集长度

print(len(p))

#取部分数据试验
p = p.head(20000)

7225681

找出数据集中的流行歌曲

song_grouped = p.groupby(['song_id']).agg({
   'listen_count': 'count'}).reset_index()
grouped_sum = song_grouped['listen_count'].sum()
song_grouped['percentage']  = song_grouped['listen_count'].div(grouped_su