Claude推荐Skill入门指南：从零开始构建智能推荐系统

1次阅读

没有评论

共计 2126 个字符，预计需要花费 6 分钟才能阅读完成。

推荐系统作为信息过滤的重要手段，主要分为以下几种类型：

协同过滤 ：通过用户历史行为数据发现相似用户或物品进行推荐
基于用户的协同过滤：寻找相似用户喜欢的物品
基于物品的协同过滤：寻找相似物品
内容推荐 ：基于物品特征计算相似度
混合推荐 ：结合多种推荐方法的优势

Claude 推荐 Skill 作为一站式推荐系统解决方案，主要提供以下功能特点：

预置算法丰富 ：包含多种协同过滤和内容推荐算法
易于集成 ：提供简洁的 API 接口和 SDK
支持实时更新 ：模型可在线学习新数据
可视化工具 ：内置效果评估和参数调优界面

以下是完整的实现代码，包含详细注释：

import numpy as np
from scipy.spatial.distance import cosine

# 示例用户 - 物品评分矩阵（0 表示未评分）ratings = {'User1': {'ItemA': 5, 'ItemB': 3, 'ItemC': 4},
    'User2': {'ItemA': 4, 'ItemB': 2, 'ItemD': 3},
    'User3': {'ItemB': 5, 'ItemC': 4, 'ItemD': 2}
}

# 1. 数据预处理：构建完整评分矩阵
def build_matrix(ratings):
    all_items = set()
    for user in ratings:
        all_items.update(ratings[user].keys())
    all_items = sorted(all_items)

    matrix = {}
    for user in ratings:
        row = [ratings[user].get(item, 0) for item in all_items]
        matrix[user] = row

    return matrix, all_items

# 2. 计算用户相似度（余弦相似度）def user_similarity(user1, user2, matrix):
    vec1 = matrix[user1]
    vec2 = matrix[user2]

    # 只计算共同评分的物品
    mask = [(x > 0 and y > 0) for x, y in zip(vec1, vec2)]
    common_vec1 = [x for x, m in zip(vec1, mask) if m]
    common_vec2 = [x for x, m in zip(vec2, mask) if m]

    if not common_vec1:
        return 0

    return 1 - cosine(common_vec1, common_vec2)

# 3. 生成推荐
def recommend(user, matrix, items, k=2):
    # 找出最相似的 k 个用户
    similarities = []
    for other_user in matrix:
        if other_user == user:
            continue
        sim = user_similarity(user, other_user, matrix)
        similarities.append((other_user, sim))

    similarities.sort(key=lambda x: x[1], reverse=True)
    top_users = similarities[:k]

    # 收集相似用户喜欢的物品
    recommendations = {}
    for item_idx, item in enumerate(items):
        if matrix[user][item_idx] > 0:  # 用户已评分
            continue

        # 加权平均评分
        total_score = 0
        total_sim = 0
        for other_user, sim in top_users:
            other_rating = matrix[other_user][item_idx]
            if other_rating > 0:
                total_score += sim * other_rating
                total_sim += sim

        if total_sim > 0:
            recommendations[item] = total_score / total_sim

    return sorted(recommendations.items(), key=lambda x: x[1], reverse=True)

# 执行示例
matrix, items = build_matrix(ratings)
print("推荐结果:", recommend('User1', matrix, items))