通過 Python 循環(huán)與隨機實現(xiàn)智能推薦系統(tǒng)：五個實戰(zhàn)案例
作者：小白PythonAI編程
今天，我們就來探索如何使用Python中的循環(huán)和隨機模塊來實現(xiàn)簡單的智能推薦系統(tǒng)。通過五個實戰(zhàn)案例，我們將逐步深入理解這些技術的應用。
推薦系統(tǒng)是現(xiàn)代互聯(lián)網(wǎng)應用中不可或缺的一部分，它能根據(jù)用戶的行為和偏好，智能地為用戶推薦他們可能感興趣的內容或商品。今天，我們就來探索如何使用Python中的循環(huán)和隨機模塊來實現(xiàn)簡單的智能推薦系統(tǒng)。通過五個實戰(zhàn)案例，我們將逐步深入理解這些技術的應用。
案例一：基于用戶歷史行為的簡單推薦
假設我們有一個用戶的歷史購買記錄列表，我們可以通過這個列表來推薦相似的商品給用戶。
# 用戶歷史購買記錄
user_history = ['book', 'pen', 'notebook']
# 所有商品列表
all_products = ['book', 'pen', 'notebook', 'pencil', 'eraser', 'ruler']
# 推薦系統(tǒng)
def simple_recommendation(user_history, all_products):
# 找出用戶未購買過的商品
recommended_products = [product for product in all_products if product not in user_history]
return recommended_products
# 調用推薦系統(tǒng)
recommendations = simple_recommendation(user_history, all_products)
print("推薦的商品:", recommendations)輸出結果：
推薦的商品: ['pencil', 'eraser', 'ruler']案例二：基于隨機選擇的推薦
有時候，我們可以隨機選擇一些商品來推薦給用戶，增加用戶的探索體驗。
import random
# 用戶歷史購買記錄
user_history = ['book', 'pen', 'notebook']
# 所有商品列表
all_products = ['book', 'pen', 'notebook', 'pencil', 'eraser', 'ruler']
# 推薦系統(tǒng)
def random_recommendation(user_history, all_products, num_recommendations=3):
# 找出用戶未購買過的商品
available_products = [product for product in all_products if product not in user_history]
# 隨機選擇指定數(shù)量的商品
recommended_products = random.sample(available_products, min(num_recommendations, len(available_products)))
return recommended_products
# 調用推薦系統(tǒng)
recommendations = random_recommendation(user_history, all_products, 2)
print("隨機推薦的商品:", recommendations)輸出結果：
隨機推薦的商品: ['pencil', 'ruler']案例三：基于評分的推薦
假設我們有一個用戶對商品的評分數(shù)據(jù)，我們可以根據(jù)評分來推薦高分商品。
# 用戶對商品的評分
user_ratings = {'book': 4, 'pen': 3, 'notebook': 5, 'pencil': 2, 'eraser': 4, 'ruler': 3}
# 推薦系統(tǒng)
def rating_based_recommendation(user_ratings, num_recommendations=3):
# 按評分降序排序
sorted_ratings = sorted(user_ratings.items(), key=lambda x: x[1], reverse=True)
# 取前N個高分商品
recommended_products = [product for product, rating in sorted_ratings[:num_recommendations]]
return recommended_products
# 調用推薦系統(tǒng)
recommendations = rating_based_recommendation(user_ratings, 3)
print("基于評分的推薦商品:", recommendations)輸出結果：
基于評分的推薦商品: ['notebook', 'book', 'eraser']案例四：基于用戶興趣標簽的推薦
假設我們有用戶感興趣的標簽，可以推薦與這些標簽相關聯(lián)的商品。
# 用戶感興趣的標簽
user_interests = ['writing', 'stationery']
# 商品及其對應的標簽
product_tags = {
'book': ['reading'],
'pen': ['writing'],
'notebook': ['writing'],
'pencil': ['writing'],
'eraser': ['stationery'],
'ruler': ['stationery']
}
# 推薦系統(tǒng)
def interest_based_recommendation(user_interests, product_tags):
# 找出與用戶興趣匹配的商品
recommended_products = [product for product, tags in product_tags.items() if any(interest in tags for interest in user_interests)]
return recommended_products
# 調用推薦系統(tǒng)
recommendations = interest_based_recommendation(user_interests, product_tags)
print("基于興趣的推薦商品:", recommendations)輸出結果：
基于興趣的推薦商品: ['pen', 'notebook', 'pencil', 'eraser', 'ruler']案例五：綜合推薦系統(tǒng)
結合以上多種推薦方式，我們可以構建一個更加智能的推薦系統(tǒng)。
# 用戶歷史購買記錄
user_history = ['book', 'pen', 'notebook']
# 所有商品列表
all_products = ['book', 'pen', 'notebook', 'pencil', 'eraser', 'ruler']
# 用戶對商品的評分
user_ratings = {'book': 4, 'pen': 3, 'notebook': 5, 'pencil': 2, 'eraser': 4, 'ruler': 3}
# 用戶感興趣的標簽
user_interests = ['writing', 'stationery']
# 商品及其對應的標簽
product_tags = {
'book': ['reading'],
'pen': ['writing'],
'notebook': ['writing'],
'pencil': ['writing'],
'eraser': ['stationery'],
'ruler': ['stationery']
}
# 綜合推薦系統(tǒng)
def combined_recommendation(user_history, all_products, user_ratings, user_interests, product_tags, num_recommendations=3):
# 基于歷史購買記錄的推薦
history_recommendations = [product for product in all_products if product not in user_history]
# 基于評分的推薦
sorted_ratings = sorted(user_ratings.items(), key=lambda x: x[1], reverse=True)
rating_recommendations = [product for product, rating in sorted_ratings if product not in user_history]
# 基于興趣的推薦
interest_recommendations = [product for product, tags in product_tags.items() if any(interest in tags for interest in user_interests) and product not in user_history]
# 合并所有推薦列表
all_recommendations = list(set(history_recommendations + rating_recommendations + interest_recommendations))
# 隨機選擇指定數(shù)量的商品
final_recommendations = random.sample(all_recommendations, min(num_recommendations, len(all_recommendations)))
return final_recommendations
# 調用綜合推薦系統(tǒng)
recommendations = combined_recommendation(user_history, all_products, user_ratings, user_interests, product_tags, 3)
print("綜合推薦的商品:", recommendations)輸出結果：
綜合推薦的商品: ['pencil', 'eraser', 'ruler']實戰(zhàn)案例：在線書店推薦系統(tǒng)
假設我們有一個在線書店，用戶可以瀏覽書籍、購買書籍并給出評分。我們需要構建一個推薦系統(tǒng)，根據(jù)用戶的購買歷史、評分和興趣標簽來推薦書籍。
# 用戶歷史購買記錄
user_history = ['The Great Gatsby', 'To Kill a Mockingbird', '1984']
# 所有書籍列表
all_books = ['The Great Gatsby', 'To Kill a Mockingbird', '1984', 'Pride and Prejudice', 'Moby Dick', 'War and Peace']
# 用戶對書籍的評分
user_ratings = {
'The Great Gatsby': 4,
'To Kill a Mockingbird': 3,
'1984': 5,
'Pride and Prejudice': 2,
'Moby Dick': 4,
'War and Peace': 3
}
# 用戶感興趣的標簽
user_interests = ['classic', 'literature']
# 書籍及其對應的標簽
book_tags = {
'The Great Gatsby': ['classic', 'novel'],
'To Kill a Mockingbird': ['classic', 'novel'],
'1984': ['classic', 'dystopian'],
'Pride and Prejudice': ['classic', 'romance'],
'Moby Dick': ['classic', 'adventure'],
'War and Peace': ['classic', 'epic']
}
# 綜合推薦系統(tǒng)
def combined_recommendation(user_history, all_books, user_ratings, user_interests, book_tags, num_recommendations=3):
# 基于歷史購買記錄的推薦
history_recommendations = [book for book in all_books if book not in user_history]
# 基于評分的推薦
sorted_ratings = sorted(user_ratings.items(), key=lambda x: x[1], reverse=True)
rating_recommendations = [book for book, rating in sorted_ratings if book not in user_history]
# 基于興趣的推薦
interest_recommendations = [book for book, tags in book_tags.items() if any(interest in tags for interest in user_interests) and book not in user_history]
# 合并所有推薦列表
all_recommendations = list(set(history_recommendations + rating_recommendations + interest_recommendations))
# 隨機選擇指定數(shù)量的商品
final_recommendations = random.sample(all_recommendations, min(num_recommendations, len(all_recommendations)))
return final_recommendations
# 調用綜合推薦系統(tǒng)
recommendations = combined_recommendation(user_history, all_books, user_ratings, user_interests, book_tags, 3)
print("綜合推薦的書籍:", recommendations)輸出結果：
綜合推薦的書籍: ['Pride and Prejudice', 'Moby Dick', 'War and Peace']總結
通過以上五個實戰(zhàn)案例，我們學習了如何使用Python中的循環(huán)和隨機模塊來實現(xiàn)簡單的智能推薦系統(tǒng)。從基于用戶歷史行為的推薦到基于評分、興趣標簽的推薦，再到綜合推薦系統(tǒng)，我們逐步深入理解了這些技術的應用。
責任編輯：趙寧寧
來源：
小白PythonAI編程
