Как получить рекомендации из матрицы взаимодействий?

Рекомендации из матрицы взаимодействий (например, пользователь-товар) можно получить с помощью методов коллаборативной фильтрации. Основные подходы:

1. Матричная факторизация — разложение матрицы взаимодействий на два низкоразмерных фактора (матрицы признаков пользователей и товаров). После этого можно предсказывать неизвестные оценки как скалярное произведение соответствующих векторов.

2. Методы ближайших соседей — вычисление сходства между пользователями или товарами (например, косинусное сходство) и рекомендация на основе предпочтений похожих пользователей или похожих товаров.

Пример матричной факторизации с использованием Python и библиотеки surprise:

from surprise import Dataset, Reader, SVD
from surprise.model_selection import train_test_split

# Пример данных: user_id, item_id, rating
ratings_dict = {'userID': ['A', 'A', 'B', 'B'],
                'itemID': ['1', '2', '2', '3'],
                'rating': [5, 3, 4, 2]}

reader = Reader(rating_scale=(1, 5))
data = Dataset.load_from_df(pd.DataFrame(ratings_dict), reader)
trainset, testset = train_test_split(data, test_size=0.25)

algo = SVD()
algo.fit(trainset)
predictions = algo.test(testset)

for pred in predictions:
    print(f'User: {pred.uid}, Item: {pred.iid}, Predicted rating: {pred.est:.2f}')

Таким образом, матрица взаимодействий служит основой для построения модели, которая позволяет предсказывать вероятные интересы пользователя и формировать рекомендации.