说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

基于物品的协同过滤推荐（Item-based CF）的假设原理为：跟你喜欢的东西相似的东西你也很有可能喜欢。基于物品的协同过滤推荐并不通过对item的评分来评测item之间的相关性，而是基于item的相似性做推荐，其核心就是：给用户推荐他之前喜欢的物品的相似物品。

首先使用训练数据得到用户的偏好信息矩阵和物品的特征信息矩阵，然后计算用户对未进行评分电影的偏好分，最后选取前K个推荐给用户

本项目应用物品的协同过滤推荐算法进行相似度计算、给用户推荐及模型评估。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

 数据详情如下(部分展示)：

数据解释：例如 1::1193::5::978300760

该条记录队列的列是 UserID::MovieID::Rating::Timestamp，表示id为1的用户在978300760时对1193电影评分为5。

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

从上图可以看到，总共有3个变量，数据中无缺失值，共1000209条数据。

关键代码：

4.探索性数据分析

4.1 评分变量直方图

用Matplotlib工具的hist()方法绘制直方图：

从上图可以看到，评分平均记录主要集中在3.0~4.5之间。

5.特征工程

5.1 数据集拆分

通过splitData()方法进行数据集拆分，关键代码如下： 

6.构建电影推荐系统

主要使用基于物品的协同过滤推荐算法构建电影推荐系统。

6.1 相似度计算

关键代码：

相似度计算结果展示：

6.2 对用户进行推荐

对用户1进行推荐，推荐结果如下：

通过上表可以看出，是按照推荐值的大小从高到低进行排序的。

7.模型评估

7.1 评估指标及结果

评估指标主要包括准确率。

从上表可以看出，准确率为19%，作为一个推荐系统，在数据量有限的情况下，此效果良好。

关键代码如下：

8.结论与展望

综上所述，本项目采用了基于物品的协同过滤推荐算法来构建电影推荐系统，主要包括数据集的读取、拆分、探索性数据分析、物品相似度计算、对用户进行推荐、模型的评估等，最终证明了我们提出的模型效果较好。

本次机器学习项目实战所需的资料，项目资源如下：

项目说明：
链接：https://pan.baidu.com/s/1dW3S1a6KGdUHK90W-lmA4w 
提取码：bcbp