SVD推荐系统简单案例

#coding=utf-8

'''
目标：构建简单电影推荐系统，假设现有ABCDE 5个同学，看完电影之后的评价如下
    move1 move2 move3 mov4  mov5
A   5      5      5     1    5
B   5      5      3     4    5
C   4      3      2     1    5
D   4      4      3     2    5
E   4      4      3     2    4
F   3      4      3     2    5

先已知G同学的对电影的评价如下(5,5,0,0,5) 0表示没有看过改电影

推荐策略:
    基于用户：找到跟G口味相同的所有用户，把相似用户的看过的电影推荐给
    基于商品：比如G正在看move2,你发现move7，move8跟movie2比较相似，所以在G看move2可以吧movie7，8也推荐给G

    实际推荐策略是这两个策略结合的：

本文主要实现基于用户的口味的推荐策略：（从评分来侧面反映用户的相似度）

具体方案：
    1.采用SVD分解矩阵，降低计算难度分解得到U矩阵，对角举证，VT矩阵
    2.可视化U矩阵，VT矩阵
    3.根据G同学的评分得到在U矩阵中的向量
    4.计划U矩阵中与其他用户的相似度
    5.相似用户看过的G没有看过的电影推荐给G

所需掌握技术:
    1.SVD矩阵分解
    2.相似度计算
    3.matplotlib 数据可视化 及散点图标记
    4.矩阵截取

''''''
目标：构建简单电影推荐系统，假设现有ABCDE