Python推荐算法案例（1）——根据评分进⾏排序的电影推荐 本节通过⼀个电影推荐案例来介绍最简单的推荐模型——基于评分进⾏排序。
就如同⾖瓣电影⽹页上的top10电影排⾏榜⼀样，我们根据IMDB⽹站的数据建⽴了⼀个top10电影榜单。
操作步骤如下：
（1）决定⼀个指标或分数，对电影进⾏评价；
（2）计算每⼀部电影的分数；
（3）根据分数对电影进⾏排序，输出top10排⾏结果。
使⽤的数据链接：
电影最基本的⼀个评价指标是电影评分，但是直接使⽤电影评分存在⼀个问题，譬如，⼀个冷门的电影，只有10个观众评价了，平均分为9分，另外⼀个电影，有100,000⼈评分，且平均分为8.9分，那么能够认为第⼀部电影⽐第⼆部电影评分⾼，并将它推荐给其他⼈吗？显然这样是有问题的。
考虑到上⾯的问题，采⽤以下评分公式：
其中，v是某电影参与评分的观众的个数，
m是筛选的评分观众阈值，即，如果某个电影评分的个数低于阈值，则该电影将被忽略；
R是该电影的评分评分；
C是所有电影的平均分。
m的取值可以根据⾃⼰的⽬的⾃由选取。在下⾯的模型中，采⽤90分位值，即只选取评论⼈数为前10%的电影进⾏分析。
根据以上说明，python模型代码如下：
import pandas as pd
评价最高的电影from numpy import *
movies=pd.ad_csv('C:/Users/Ray/Desktop/recommand/movie_metadata/movie_metadata.csv')
movies.head()
movies1=movies.loc[:,['movie_title','num_voted_users','imdb_score']] movies1.head()
C=movies1['imdb_score'].mean()
print(C)
6.442137616498111
m=movies1['num_voted_users'].quantile(0.9)
print(m)
216562.0
q_py().loc[movies1['num_voted_users']>m]
q_movies1.shape
(505, 3)
def weighted_rating(x,m=m,C=C):
v=x['num_voted_users']
R=x['imdb_score']
return (v/(v+m)*R)+(m/(m+v)*C)
q_movies1['score']=q_movies1.apply(weighted_rating,axis=1)
q_movies1=q_movies1.sort_values('score',ascending=False)
q_movies1.head(10)
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论