基于协同过滤的NMF算法Top5标签推荐实现求助

你已经完成了NMF的矩阵分解和重构，接下来可以按以下步骤实现Top5标签推荐：

核心逻辑 #

NMF重构后的矩阵NMF_matrix中，每一行对应一个用户，每一列对应一个标签，矩阵值代表模型预测的用户对该标签的偏好程度。我们需要基于这个得分，筛选出用户未使用过的标签，再取得分最高的前5个。

修改后的代码实现 #

import numpy as np
from sklearn.decomposition import NMF

# 假设matrix是用户-标签矩阵（行=用户，列=标签，值=用户是否使用过该标签或使用频次）
model = NMF(n_components=2, init='random', random_state=0)
W = model.fit_transform(matrix)
H = model.components_
NMF_matrix = np.dot(W, H)

# 目标用户索引（比如测试集中的第i个用户）
target_user_idx = i

# 1. 获取目标用户的标签偏好得分向量
user_scores = NMF_matrix[target_user_idx]

# 2. 获取该用户已使用过的标签索引（假设matrix中1表示已使用，0表示未使用，可根据实际数据调整）
used_tag_indices = np.where(matrix[target_user_idx] > 0)[0]

# 3. 将已使用标签的得分设为极低值，确保不会被推荐
user_scores[used_tag_indices] = -np.inf

# 4. 按得分从高到低排序，取前5个标签的索引
top5_tag_indices = np.argsort(user_scores)[::-1][:5]

# 5. 映射到实际标签名称
hashtag_recommend_collaborative = [new_hashtags[idx] for idx in top5_tag_indices]

print("Top5推荐标签:", hashtag_recommend_collaborative)

关键说明 #

• 排除已使用标签：推荐的核心是给用户推送未接触过的标签，必须过滤掉用户已经使用过的标签，避免重复推荐。
• 得分排序：np.argsort返回的是从小到大的索引，用[::-1]反转成从大到小排序后，再取前5个即可。
• 数据适配：如果你的matrix中值不是0/1（比如是使用频次），只需调整used_tag_indices的判断条件（比如matrix[target_user_idx] > 0依然适用，只要未使用的标签值为0）。

内容的提问来源于stack exchange，提问作者zahra