? ? 本節通過一個電影推薦案例來介紹最簡單的推薦模型——基于評分進行排序。

? ? 就如同豆瓣電影網頁上的top10電影排行榜一樣，我們根據IMDB網站的數據建立了一個top10電影榜單。

?????操作步驟如下：

? ? （1）決定一個指標或分數，對電影進行評價；

? ? （2）計算每一部電影的分數；

? ? （3）根據分數對電影進行排序，輸出top10排行結果。

? ? 使用的數據鏈接：IMDB電影評分數據

? ? 電影最基本的一個評價指標是電影評分，但是直接使用電影評分存在一個問題，譬如，一個冷門的電影，只有10個觀眾評價了，平均分為9分，另外一個電影，有100,000人評分，且平均分為8.9分，那么能夠認為第一部電影比第二部電影評分高，并將它推薦給其他人嗎？顯然這樣是有問題的。

? ? 考慮到上面的問題，采用以下評分公式：

????

????其中，v是某電影參與評分的觀眾的個數，

????????? ? m是篩選的評分觀眾閾值，即，如果某個電影評分的個數低于閾值，則該電影將被忽略；

????????? ? R是該電影的評分評分；

????????? ? C是所有電影的平均分。

? ? m的取值可以根據自己的目的自由選取。在下面的模型中，采用90分位值，即只選取評論人數為前10%的電影進行分析。

? ? 根據以上說明，python模型代碼如下：

import pandas as pd from numpy import * movies=pd.io.parsers.read_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_movies1=movies1.copy().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)

總結

以上是生活随笔為你收集整理的Python推荐算法案例（1）——根据评分进行排序的电影推荐的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。