基于内容的推荐

最新推荐文章于 2024-08-12 20:46:44 发布

二十三号

最新推荐文章于 2024-08-12 20:46:44 发布

阅读量853

点赞数

文章标签：推荐算法 python

本文链接：https://blog.csdn.net/weixin_47966242/article/details/126090006

版权

本文介绍了基于内容的推荐方法，该方法通过分析物品和用户的特征进行推荐。首先，构建物品画像，使用电影标签的TF-IDF值选择关键标签。其次，建立用户画像，根据用户评分历史反推出用户画像标签，并计算权重。最后，基于用户画像的标签推荐最匹配的电影。

摘要由CSDN通过智能技术生成

基于内容的推荐

简介

基于内容的推荐方法是非常直接的，它以物品的内容描述信息为依据来做出的推荐，本质上是基于对物品和用户自身的特征或属性的直接分析和计算

例如，假设已知电影A是一部喜剧，而恰巧我们得知某个用户喜欢看喜剧电影，那么我们基于这样的已知信息，就可以将电影A推荐给该用户

步骤

根据物品属性内容等构建物品画像
根据用户行为记录等构建用户画像
根据用户画像从物品中寻找最匹配的topN物品进行推荐

物品画像

利用tags.csv中每部电影的标签作为电影的候选关键词
利用TF·IDF计算每部电影的标签的tfidf值，选取topN个关键词作为电影画像标签
将电影的分类词直接作为每部电影的画像标签

def get_movie_dataset():

    tags = pd.read_csv(tags_path, usecols=range(1, 3))
    tags = tags.groupby('movieId').agg(list)

    movies = pd.read_csv(movies_path, index_col='movieId')
    movies['genres'] = movies['genres'].apply(lambda x: x.split('|'))

    # 为每部电影匹配对应的标签数据，如果没有将会是NAN
    movies_index = set(movies.index) & set(tags.index)
    new_tags = tags.loc[list(movies_index)]
    ret = movies.join(new_tags)

    movie_dataset = pd.DataFrame(
        map(
            lambda x: (x[0], x[1], x[2], x[2]+x[3]) if x[3] is not np.nan else (x[0