一、基本模块

1. 推荐算法分类

可分为基于用户行为的推荐算法和基于内容（物品属性）的推荐算法。

基于用户行为数据的推荐算法一般称为协同过滤算法，主要方法有基于邻域的方法（neighborhood-based）、隐语义模型（latent factor model，LFM）、基于图的随机游走算法（random walk on graph）等。

在业界得到最广泛应用的算法是基于邻域的方法，主要包含下面两种算法：基于用户的协同过滤算法 UserCF，给用户推荐和他兴趣相似的其他用户喜欢的物品；基于物品的协同过滤算法 ItemCF，给用户推荐和他之前喜欢的物品相似的物品。

2. 基于邻域的CF算法的可设定度量准则，surprise.similarities 模块

余弦相似度 cosine、均方差相似度 msd、皮尔逊相关系数 pearson、基线皮尔逊相关系数 pearson_baseline。

3. 评价指标模块，surprise.accuracy

均方根误差 rmse、平均绝对误差 mae、fcp。

4. 数据集 surprise.dataset 模块

包含了 movielens-100k、movielens-1m、Jester 数据集。还可读取 pandas.DataFrame 格式及其他文件格式的数据集。

5. surprise.model_selection 模块

提供了用于交叉验证所需要的数据集切分、自动CV、网格搜索 GridSearchCV 等。

二、实现推荐算法

1. surprise.prediction_algorithms.algo_base

该模块定义了类AlgoBase，每个单独的预测算法都继承自该类。

2. surprise.prediction_algorithms.predictions，定义了预测结果类。

3. Basic algorithms 基本算法

（1）prediction_algorithms.random_pred. NormalPredictor

从训练集估计得到一个正态分布（均值和标准差），基于该正态分布进行随机预测。

（2）prediction_algorithms.baseline_only. BaselineOnly

4. k-NN inspired algorithms kNN算法

（1）prediction_algorithms.knns. KNNBasic ，即基本的协同过滤算法。

k，kNN 算法中的 k 参数；
min_k，需考虑的最小邻居数，当邻居数不足时，使用全局平均进行预测；
sim_options，该参数接收一个 dict，如
- sim_options = {'name': 'cosine',

'user_based': False # compute similarities between items}

（2）prediction_algorithms.knns. KNNWithMeans ，考虑了每个用户的平均打分值。

（3）prediction_algorithms.knns. KNNWithZScore ，考虑了每个用户的 z-score 标准化。

（4）prediction_algorithms.knns. KNNBaseline ，包含可学习参数，可使用 SGD 和 ALS 算法进行参数估计。推荐使用 pearson_baseline 度量方式。

bsl_options，接收一个 dict，说明配置信息。
- bsl_options = {'method': 'sgd', 'learning_rate': .00005, }

5. Matrix Factorization-based algorithms

SVD 、RSVD 、ASVD 、SVD++ 详解

（1）prediction_algorithms.matrix_factorization. SVD

（2）prediction_algorithms.matrix_factorization. SVDpp

引入隐式反馈，可以是打分动作（谁对某个商品打过分），或者是浏览记录等，隐式回馈的原因比较复杂，专门用一部分参数空间去建模，每个 item 对应一个向量 yi ，通过 user 隐含回馈过的 item 的集合来刻画用户的偏好。

（3）prediction_algorithms.matrix_factorization. NMF

NMF 非负矩阵分解，与 SVD 算法类似，用户和物品因子都必须是正值。

6. prediction_algorithms.slope_one. SlopeOne

通过计算物品之间的平均差异来进行预测。

7. prediction_algorithms.co_clustering. CoClustering

Surprise，是scikit系列中的一个推荐系统算法库。官网：http://surpriselib.com/；Conda指令：https://anaconda.org/nicolashug/scikit-surprise文档：http://surprise.readthedocs.io/en/stable/一、基本模块1. 推荐算法分类可分为基于用户行为的推荐算法和基于内容... Surprise 是一个用于简单快速构建推荐系统的 Python 库，其底层基于 Python Scikit 构建。官方文档地址：https:// surprise .readthedocs.io/en/stable 安装方式：（1）通过pip安装，需具有Microsoft C++ Build Tools 环境。

Surprise is an easy-to-use Python scikit for recommender systems. 帮助文档 https:// surprise .readthedocs.io/en/stable/ 安装方法：pip install surprise 可能会出现安装失败：error: Microsoft Visual C++ 14.0 is required. Ge...

两种最普遍的推荐系统的类型是基于内容和协同过滤（CF）。协同过滤基于用户对产品的态度产生推荐，基于内容的推荐系统基于物品属性的相似性进行推荐。CF可以分为基于内存的协同过滤和基于模型的协同过滤。我们将使用MovieLens数据集，它是在实现和测试推荐引擎时所使用的最常见的数据集之一，包含来自943个用户以及精选的1682部电影的评分。数据下载地址导入numpy和pandas 库 imp...

许多人把推荐系统视为一个神秘的存在，他们觉得推荐系统似乎知道我们的想法是什么。Netflix向我们推荐电影，还有亚马逊向我们推荐该买什么样的商品。推荐系统从早期发展到现在，已经得到了很大的改进和完善，以不断提高用户体验。尽管推荐系统中许多都是非常复杂的系统，但其背后的基本思想依然十分简单。推荐系统是什么推荐系统是信息过滤系统的一个子类，它根据用户的偏好和行为，来向用户呈现可能感兴趣的物品。推荐 ...

def semantic_similarity(data): # 将评分矩阵转换为稀疏矩阵 ratings = sparse.csr_matrix((data['rating'], (data['user_id'], data['item_id']))) # 计算物品相似度矩阵 item_similarity = cosine_similarity(ratings.T) return item_similarity 然后，使用 surprise 提供的KNNBaseline 算法计算推荐结果： ``` python from surprise import KNNBaseline # 计算物品相似度矩阵 item_similarity = semantic_similarity(data) # 使用KNNBaseline 算法计算推荐结果 algo = KNNBaseline(sim_options={'user_based': False, 'name': 'cosine', 'min_support': 5}, verbose=False) algo.fit(data.build_full_trainset()) 最后，可以使用predict函数进行推荐： ``` python # 预测用户对某个物品的评分 user_id = 1 item_id = 1 rating = algo.predict(user_id, item_id) print(rating.est) 需要注意的是，以上代码仅为示例，实际应用中需要根据数据集和需求进行相应的调整。