第1关：基于矩阵分解的协同过滤算法
#-- coding : utf-8-- importnumpyasnpdefrecommend (userid，lr，alpha，d，n_iter， 数据) :“”用户：1-10推荐用户idlr (浮点) :学习因子浮点) :权重衰减因子d (整型) :矩阵分解因子)元素数n 取得用户数和项目数m，n=data.shape #初始化喜好矩阵和内容矩阵，值在0-1之间，与正态分布x=NP.rape一致d ) w=NP.random.uniform (0，1，) d， n ) )建立评分记录表，无评分为0，有评分为1 record=NP.array (data 0，dtype=int ) )，梯度下降，参数forIinrange(n_ITER ) : x w )-data ) w.T )更新w _ gg w (-data ) ) x=alph a* x-lr * x _ gradsw=alph a* w-lr * w _ grads #预测predict=NP.NP w ) )按从低到高的顺序排列用户未使用的项目的分数。forIinrange(n ) : if record [ userid-1 ] [ I ]==1: predict [ userid-1 ] [ I ]=推荐项目为项目%d、项目%d((userid，recommend[-1] 1，recommend
#-- coding : utf-8-- importnumpyasnpdefbuild _ rating (m，n， ratings_df(:''m(int ) ) :用户数n(int ) :电影数ratings_df (数据帧) :用户电影评估记录表rating(ndarray ) n ) ) for index， row in ratings_df.iterrows ) :创建rating [ int (row [ ' userid ' ] )，然后单击int(row(movierow ) ) (row ) ) rating 数据) :“”用户：用户idlr(float ) :学习率alpha (float ) :权重衰减系数d(int ) :矩阵分解系数d(int ) : #取得用户数和电影数m，n=data.shape #初始化喜好矩阵和内容矩阵，值在0-1之间，与正态分布x=NP一致d ) w=NP.random.uniform (0，1，) n ) )建立评分记录表，无评分为0，有评分为1 record=NP.array (data 0，dtype=int ) )，梯度下降，参数forIinrange(n_ITER ) : x w )-data ) w.T )更新w _ gg w (-data ) ) x=alph a* x-lr * x _ gradsw=alph a* w-lr * w _ grads #预测predict=NP.NP w * * * * * * end * * * * * * * * # return predict #建议defrecommend(userid，predict )， DATA(3360''userid(int ) :推荐用户idpredict(ndarray ) :预测结果data(ndarray ) :用户-电影评估矩阵((() (* ) ) ) ) ) 65用户从未看过的电影的得分按从低到高的顺序排列n=predict.shape [1] record=NP.array (data 0，dype=int(forIinrange(n