如何使用机器学习构建自己的推荐系统？

        推荐系统，通常称为推荐引擎或简称为“推荐”，是一种算法，旨在根据用户过去的行为、偏好和互动来预测和推荐用户可能感兴趣的项目。它们已成为在线购物体验不可或缺的一部分，影响着我们的购买决策并推动了企业的销售。

        在本文中，我们将深入探讨推荐系统的迷人世界，并探讨如何使用 Python 构建一个推荐系统。我们将揭示这些系统的内部工作原理，从数据收集和预处理到算法选择和实现。

        在此旅程结束时，您将拥有创建有效推荐系统的知识和工具，以满足您的电子商务平台的独特需求，最终推动增长和客户满意度。

二、加载数据集 

        我们将从 Kaggke 获取一个数据集来探索该主题，您可以在此处找到该数据集：Book Recommendation Dataset | Kaggle

• 首先要做的是使用 Pandas 加载数据

import pandas as pd
ratings = pd.read_csv(r'Data/ratings.csv')

三、筛选数据

• 我们的数据集太大了，我们将过滤掉评分很少的书籍，至少有 6 个评分，我们将为用户做同样的事情。
• 我们还将删除 0 的评分，假设人们没有投票。
• 然后我们将所有内容存储在一个新的

#Books
min_book_ratings = 5
filter_books = ratings['ISBN'].value_counts() > min_book_ratings
filter_books = filter_books[filter_books].index.tolist()
 
#Users
min_user_ratings = 5
filter_users = ratings['User-ID'].value_counts() > min_user_ratings
filter_users = filter_users[filter_users].index.tolist()
 
ratings_filtered = ratings[(ratings['ISBN'].isin(filter_books)) & (ratings['User-ID'].isin(filter_users))]
 
ratings_filtered = ratings[ratings['Book-Rating'] > 0] 

四、构建模型

        我们将使用“Surprise”，一个 Python scikit，用于构建和分析处理显式评级数据的推荐系统。

        我们需要定义 Reader 并根据 “Surprise” 注解来格式化数据集：

• Surprise 中的 Reader 类用于分析包含评级的文件或 DataFrame。读取器的主要用途是定义数据集中评级的比例。这很重要，因为它有助于算法了解如何以数字方式解释评级。
• 数据是指您用于推荐系统的数据集，通常以用户与项目交互的形式（例如用户对书籍、电影等的评分）

from surprise import Reader, Dataset
 
reader = Reader(rating_scale=(0, 10))  
data = Dataset.load_from_df(ratings_filtered[['User-ID', 'ISBN', 'Book-Rating']], reader)

        经典：将数据拆分为训练集和测试集，避免过度拟合

from surprise.model_selection import train_test_split
trainset, testset = train_test_split(data, test_size=0.25)  

        对于模型选择，您可以从 Surprise 中包含的不同模型中进行选择，我将使用 SVD（奇异值分解）并使用网格搜索 CV 来查找最佳参数。

        有关 SVD