通過(guò) Python 循環(huán)與隨機(jī)實(shí)現(xiàn)智能推薦系統(tǒng)：五個(gè)實(shí)戰(zhàn)案例

作者：小白PythonAI編程 2024-11-25 12:10:00

今天，我們就來(lái)探索如何使用Python中的循環(huán)和隨機(jī)模塊來(lái)實(shí)現(xiàn)簡(jiǎn)單的智能推薦系統(tǒng)。通過(guò)五個(gè)實(shí)戰(zhàn)案例，我們將逐步深入理解這些技術(shù)的應(yīng)用。

推薦系統(tǒng)是現(xiàn)代互聯(lián)網(wǎng)應(yīng)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(nèi)容或商品。今天，我們就來(lái)探索如何使用Python中的循環(huán)和隨機(jī)模塊來(lái)實(shí)現(xiàn)簡(jiǎn)單的智能推薦系統(tǒng)。通過(guò)五個(gè)實(shí)戰(zhàn)案例，我們將逐步深入理解這些技術(shù)的應(yīng)用。

案例一：基于用戶歷史行為的簡(jiǎn)單推薦

假設(shè)我們有一個(gè)用戶的歷史購(gòu)買記錄列表，我們可以通過(guò)這個(gè)列表來(lái)推薦相似的商品給用戶。

# 用戶歷史購(gòu)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(gòu)買過(guò)的商品
    recommended_products = [product for product in all_products if product not in user_history]
    return recommended_products

# 調(diào)用推薦系統(tǒng)
recommendations = simple_recommendation(user_history, all_products)
print("推薦的商品:", recommendations)

輸出結(jié)果：

推薦的商品: ['pencil', 'eraser', 'ruler']

案例二：基于隨機(jī)選擇的推薦

有時(shí)候，我們可以隨機(jī)選擇一些商品來(lái)推薦給用戶，增加用戶的探索體驗(yàn)。

import random

# 用戶歷史購(gòu)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(gòu)買過(guò)的商品
    available_products = [product for product in all_products if product not in user_history]
    # 隨機(jī)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(diào)用推薦系統(tǒng)
recommendations = random_recommendation(user_history, all_products, 2)
print("隨機(jī)推薦的商品:", recommendations)

輸出結(jié)果：

隨機(jī)推薦的商品: ['pencil', 'ruler']

案例三：基于評(píng)分的推薦

假設(shè)我們有一個(gè)用戶對(duì)商品的評(píng)分?jǐn)?shù)據(jù)，我們可以根據(jù)評(píng)分來(lái)推薦高分商品。

# 用戶對(duì)商品的評(píng)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(píng)分降序排序
    sorted_ratings = sorted(user_ratings.items(), key=lambda x: x[1], reverse=True)
    # 取前N個(gè)高分商品
    recommended_products = [product for product, rating in sorted_ratings[:num_recommendations]]
    return recommended_products

# 調(diào)用推薦系統(tǒng)
recommendations = rating_based_recommendation(user_ratings, 3)
print("基于評(píng)分的推薦商品:", recommendations)

輸出結(jié)果：

基于評(píng)分的推薦商品: ['notebook', 'book', 'eraser']

案例四：基于用戶興趣標(biāo)簽的推薦

假設(shè)我們有用戶感興趣的標(biāo)簽，可以推薦與這些標(biāo)簽相關(guān)聯(lián)的商品。

# 用戶感興趣的標(biāo)簽
user_interests = ['writing', 'stationery']

# 商品及其對(duì)應(yīng)的標(biāo)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(diào)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(jié)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(jié)合以上多種推薦方式，我們可以構(gòu)建一個(gè)更加智能的推薦系統(tǒng)。

# 用戶歷史購(gòu)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(duì)商品的評(píng)分
user_ratings = {'book': 4, 'pen': 3, 'notebook': 5, 'pencil': 2, 'eraser': 4, 'ruler': 3}

# 用戶感興趣的標(biāo)簽
user_interests = ['writing', 'stationery']

# 商品及其對(duì)應(yīng)的標(biāo)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(gòu)買記錄的推薦
    history_recommendations = [product for product in all_products if product not in user_history]
    
    # 基于評(píng)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(jī)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(diào)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(jié)果：

綜合推薦的商品: ['pencil', 'eraser', 'ruler']

實(shí)戰(zhàn)案例：在線書店推薦系統(tǒng)

假設(shè)我們有一個(gè)在線書店，用戶可以瀏覽書籍、購(gòu)買書籍并給出評(píng)分。我們需要構(gòu)建一個(gè)推薦系統(tǒng)，根據(jù)用戶的購(gòu)買歷史、評(píng)分和興趣標(biāo)簽來(lái)推薦書籍。

# 用戶歷史購(gòu)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(duì)書籍的評(píng)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(biāo)簽
user_interests = ['classic', 'literature']

# 書籍及其對(duì)應(yīng)的標(biāo)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(gòu)買記錄的推薦
    history_recommendations = [book for book in all_books if book not in user_history]
    
    # 基于評(píng)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(jī)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(diào)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(jié)果：

綜合推薦的書籍: ['Pride and Prejudice', 'Moby Dick', 'War and Peace']

總結(jié)

通過(guò)以上五個(gè)實(shí)戰(zhàn)案例，我們學(xué)習(xí)了如何使用Python中的循環(huán)和隨機(jī)模塊來(lái)實(shí)現(xiàn)簡(jiǎn)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(píng)分、興趣標(biāo)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(shù)的應(yīng)用。

責(zé)任編輯：趙寧寧來(lái)源：小白PythonAI編程