🏠 总目录📚 本教程 01 · 10分钟跑通 ← →
📑 本页目录(点开跳转)

01 · 10 分钟跑通一个推荐系统

推荐算法 / 01

这几行代码,怎样从相似物品得到推荐?

先读原完整例子,再按预期输出与三个步骤核对;运行与效果另行记录。

能沿代码找到相似度、候选和排序,并指出示例里的简化假设。

⏱ 10 分钟 | ⭐ 核心 | 🔨 有代码,必须动手


🎯 一句话

推荐的核心逻辑只有一句:「你喜欢 A,而 B 和 A 很像,所以推 B 给你」。这一节你就把它写出来。


😤 先说清楚:不需要准备任何东西

没装 Python? 打开 Google Colab,新建笔记本,粘代码,按 Shift+Enter。15 秒搞定。


🔨 动手:复制这段代码,跑它

# -*- coding: utf-8 -*-
"""10 分钟推荐系统 —— 不用装任何库,不用下载任何数据"""

# ============ 第 1 步:数据 ============
# 8 个用户,对 10 部电影的评分(1-5 分,0 表示没看过)
movies = ["流浪地球", "星际穿越", "泰坦尼克", "教父", "低俗小说",
          "你的名字", "千与千寻", "复仇者联盟", "肖申克救赎", "疯狂动物城"]

ratings = {
    "小明": [5, 5, 0, 0, 0, 4, 4, 5, 0, 3],
    "小红": [0, 0, 5, 0, 0, 5, 5, 0, 4, 5],
    "小刚": [5, 4, 0, 5, 5, 0, 0, 4, 5, 0],
    "小美": [0, 0, 5, 0, 0, 4, 5, 0, 5, 5],
    "阿强": [4, 5, 0, 4, 4, 0, 0, 5, 4, 0],
    "阿丽": [0, 3, 4, 0, 0, 5, 5, 0, 4, 4],
    "老王": [5, 5, 0, 5, 4, 0, 3, 5, 5, 0],
    "小张": [3, 0, 5, 0, 0, 5, 4, 0, 0, 5],
}

# ============ 第 2 步:算物品之间有多像 ============
def similarity(a, b):
    """余弦相似度:两个物品的评分向量夹角越小 = 越像。返回 0~1"""
    dot = sum(x * y for x, y in zip(a, b))
    na = sum(x * x for x in a) ** 0.5
    nb = sum(y * y for y in b) ** 0.5
    return dot / (na * nb) if na and nb else 0.0

# 把「每个用户对电影 i 的评分」抽成一列,就是电影 i 的向量
users = list(ratings.keys())
item_vectors = [[ratings[u][i] for u in users] for i in range(len(movies))]

# 10x10 的相似度表
sim = [[similarity(item_vectors[i], item_vectors[j]) for j in range(len(movies))]
       for i in range(len(movies))]

# ============ 第 3 步:给某个人推荐 ============
def recommend(user, top_n=3):
    my_ratings = ratings[user]
    scores = {}
    for j in range(len(movies)):
        if my_ratings[j] > 0:      # 看过的不推
            continue
        # 打分 = Σ(我给看过的电影的分 × 那部电影和它的相似度)
        score = sum(my_ratings[i] * sim[i][j] for i in range(len(movies)) if my_ratings[i] > 0)
        scores[movies[j]] = score
    return sorted(scores.items(), key=lambda x: -x[1])[:top_n]

# ============ 第 4 步:看结果 ============
for user in users:
    seen = [movies[i] for i, r in enumerate(ratings[user]) if r >= 4]
    print(f"\n【{user}】喜欢:{'、'.join(seen)}")
    print("  推荐给他:")
    for name, score in recommend(user):
        print(f"    → {name}  (推荐分 {score:.2f})")

🎉 你应该看到这个

【小刚】喜欢:流浪地球、星际穿越、教父、低俗小说、复仇者联盟、肖申克救赎
  推荐给他:
    → 千与千寻  (推荐分 10.35)
    → 你的名字  (推荐分 6.47)
    → 疯狂动物城  (推荐分 5.96)

【小张】喜欢:泰坦尼克、你的名字、千与千寻、疯狂动物城
  推荐给他:
    → 肖申克救赎  (推荐分 12.71)
    → 星际穿越  (推荐分 8.23)
    → 复仇者联盟  (推荐分 5.99)

恭喜。这就是一个真的推荐系统。

它叫 ItemCF(基于物品的协同过滤),亚马逊靠它做了十几年推荐,至今仍在无数产品里跑着。


🧠 它到底干了什么?(3 步,看图)

ItemCF 的三步

① 把每部电影写成评分向量

电影 / 用户小明小红小刚小美阿强阿丽老王小张
星际穿越50405350
千与千寻45050534

读法:一行就是一部电影的“被谁喜欢、喜欢多少”。被同一批人高分的两行会更像。

② 用余弦相似度比较两行:方向完全一样是 1.0,完全无关是 0.0;它关心口味是否同向,不是评分总和多大。

③ 一项贡献不是最终推荐分

小刚给《星际穿越》打了 4 分。按上方原始评分列,《星际穿越》和《千与千寻》的余弦相似度是 50 ÷ (10 × √116) ≈ 0.464238,不是 0.6。

所以这一部已看电影对《千与千寻》的贡献是 4 × 0.464238 ≈ 1.856953。下面把小刚看过的每一部都算一次:

小刚已看电影评分与千与千寻的相似度贡献:评分 × 相似度
流浪地球50.4363842.181920
星际穿越40.4642381.856953
教父50.1714310.857157
低俗小说50.1475760.737878
复仇者联盟40.3406581.362631
肖申克救赎50.6697433.348717

看最后一列:使用未舍入的值相加,得到约 10.345257,程序显示 10.35。这是用于排序的累计分数,不是“预测用户会打 10.35 星”,也不是概率。

💡 人话翻译:「你给高分的电影,它们像谁,我就推谁。你给的分越高、越像,推荐分就越高。」


🔍 一个你可能没注意的坑(很重要)

看小红和小美的结果——她们明明都是「文艺+动画」口味,系统却给她们推了星际穿越和流浪地球。

为什么?

代码没有读取“科幻”或“动画”标签。它只把每部电影表示为一列用户评分,再把与已看电影的相似度加权求和。不同口味的用户给同一批物品打分,会改变这些列之间的重合关系;这不等于“向量越长,余弦就越高”。

余弦已经归一化:纯粹放大向量不会提高它

上面的《星际穿越》评分列整体乘以 3,点积与它的长度也同时乘以 3,约分后相似度仍是 0.464238。新增评分则可能改变方向,影响要看新评分与另一列怎样重合。

用一个独立的两用户小例子区分这两种操作(不是上方电影数据):

操作物品 A 向量物品 B 向量余弦
没有共同非零位置(1, 0)(0, 1)0
仅把 A 整体放大 3 倍(3, 0)(0, 1)仍为 0
A 增加第二个用户的评分(1, 1)(0, 1)约 0.707107

这里新增重合提高了相似度;新增不重合的评分也可能降低它。当前程序把未评分记为 0 参与计算,不应把这个 0 解读成“用户讨厌它”。

那热门偏置是什么?

热门物品可能在交互数据、候选覆盖和累计打分中占优势;更多曝光又可能带来更多交互。这是需要检测的偏置风险,不是余弦向量长度直接造成的必然结果。

本页静态小矩阵没有曝光记录或随时间的变化,不能单凭它证明反馈循环已经发生。可以先比较推荐结果中的热门与长尾覆盖,再在真实数据中验证;第 11 节会讨论重排与多样性。


🔨 玩一下(可选,但很有用)

改代码,看结果怎么变。这比读十页文字有用:

  1. 给自己加一行:在 ratings 里加 "你": [...],填自己的口味,看推什么
  2. 改成推 5 个:recommend(user, top_n=5)
  3. 试试治热门偏置:把打分那行改成除以物品被评分次数 python count = sum(1 for u in users if ratings[u][j] > 0) score = score / (count ** 0.5) # 惩罚热门物品 再跑一遍,小红的推荐变了吗?

🔗 这一章连到哪里

去哪为什么
ML基础 01同样的「10 分钟先跑通」思路,那边是监督学习版
数学原理 04ItemCF 本质是 kNN —— 那一章讲它为什么在高维会失效
上线之后 02你算出的相似度好看,不代表线上有效

✅ 检查点

不用写答案,心里过一遍。答不上来就往上翻:

  1. 「星际穿越」这部电影,在代码里被表示成了什么?
  2. 为什么用「余弦相似度」而不是直接比大小?
  3. 为什么看过的电影要跳过?
  4. 热门偏置是什么意思?

👀 答案
  1. 被表示成一个「谁看过它」的向量——矩阵里它那一列(或那一行)。⭐ 注意:代码完全不知道它是科幻片、不知道诺兰导演、甚至不知道它是电影,它只知道「哪些用户和它有过交互」。这就是协同过滤的全部信息来源。
  2. 本例比较的是两部电影的用户评分列方向。余弦用两列长度作归一化,正数倍缩放不会改变相似度;新增交互可能改变方向,不能把它理解为去除了全部热门偏置。
  3. 因为推荐已经看过的东西没有价值——用户不会再看一遍,这个坑位就浪费了。⚠️ 而且它会让离线指标虚高:模型很容易学会「推他看过的」,分数很好看,线上毫无效果。
  4. 热门偏置指推荐可能过度集中于已有大量交互的物品。交互覆盖、累计打分和曝光反馈都可能参与;不能说热门物品必然与所有物品相似,或把原因归结为向量长。本页没有验证长期反馈循环。

本节回顾

你今天已经完成了最难的一步:开始了。

这个 40 行的程序,剩下 17 节全是在回答同一个问题的升级版:

「真实世界有 3 亿用户、1 亿个物品、要在 200 毫秒内出结果,这 40 行怎么变成能扛住的系统?」


⚡ 走神救援(隔天回来看这个就够)

先记住这几件事

  • ItemCF 根据物品之间的交互相似度,推荐与用户喜欢的物品相近的候选。
  • 跑通后检查推荐是否过度集中;余弦归一化不等于消除了所有热门偏置。
  • 能输出推荐只是开始,还要建立验证来判断推荐是否有效。

下一节 👉 02-推荐系统到底是什么.md

打卡记录保存在你的浏览器里,首页能看到总进度