Машинное обучение

sort(key=lambda x: x[1], reverse=True)

# Выбор топ-N наиболее похожих пользователей

top_similar_users = [similarity[0] for similarity in similarities[:num_recommendations]]

# Получение рекомендаций на основе оценок похожих пользователей

recommendations = np.zeros(num_movies)

for user in top_similar_users:

recommendations += ratings[user]

recommendations = np.where(ratings[user_id] == 0, recommendations, 0)

top_movies = np.argsort(recommendations)[::-1][:num_recommendations]

return top_movies

# Пример использования

user_id = 0

recommended_movies = recommend_movies(user_id, ratings)

print(f"Рекомендованные фильмы для пользователя {user_id}:")

for movie_id in recommended_movies:

print(f"Фильм {movie_id}")

```

В данном примере используется матрица оценок пользователей `ratings`, где каждая строка соответствует пользователю, а каждый столбец соответствует фильму.

Функция `compute_similarity` вычисляет схожесть пользователей на основе корреляции Пирсона. Она сравнивает оценки двух пользователей, игнорируя нулевые значения, и вычисляет коэффициент корреляции.

Функция `recommend_movies` принимает идентификатор пользователя и матрицу оценок в качестве входных данных. Она вычисляет схожесть пользователя с остальными пользователями, выбирает топ-N наиболее похожих пользователей и выдает рекомендации на основе их оценок.

Пример использования демонстрирует, как получить рекомендации фильмов для определенного пользователя. Результатом программы является список идентификаторов фильмов, которые рекомендуется пользователю с указанным идентификатором.

Заметьте, что в данном примере использована простая реализация коллаборативной фильтрации. В реальных приложениях рекомендательных систем может потребоваться более сложные алгоритмы и обработка больших объемов данных.

Пример более сложной реализации коллаборативной фильтрации с использованием алгоритма Singular Value Decomposition (SVD) для рекомендаций фильмов:

import numpy as np

from scipy.sparse import csr_matrix

from scipy.sparse.linalg import svds

# Пример матрицы оценок пользователей

ratings = np.array([

[5.0, 4.0, 0.0, 0.0, 0.0, 0.0],

[0.0, 0.0, 4.0, 0.0, 5.0, 0.0],

[0.0, 0.0, 0.0, 2.0, 4.0, 5.0],

[4.0, 0.0, 0.0, 0.0, 0.0, 4.