سیستم‌های توصیه‌گر در یادگیری ماشین

import pandas as pd
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

# فرض کنید ratings.csv و movies.csv از MovieLens دانلود شده
ratings = pd.read_csv('ratings.csv')  # ستون‌ها: userId, movieId, rating
movies = pd.read_csv('movies.csv')    # ستون‌ها: movieId, title, genres

# ساخت ماتریس کاربر-آیتم
ratings_matrix = ratings.pivot_table(
    index='userId',
    columns='movieId',
    values='rating'
).fillna(0)

# ماتریس ترانسپوز (آیتم به عنوان ردیف)
item_matrix = ratings_matrix.T

# محاسبه شباهت کسینوسی بین آیتم‌ها
item_similarity = cosine_similarity(item_matrix)
item_similarity_df = pd.DataFrame(
    item_similarity,
    index=item_matrix.index,
    columns=item_matrix.index
)

def get_recommendations(user_id, top_n=10):
    user_ratings = ratings_matrix.loc[user_id]
    rated_movies = user_ratings[user_ratings > 0].index
    
    if len(rated_movies) == 0:
        return "هیچ امتیازی ثبت نشده"
    
    scores = pd.Series(0.0, index=ratings_matrix.columns)
    sim_sums = pd.Series(0.0, index=ratings_matrix.columns)
    
    for movie_id in rated_movies:
        sim_vector = item_similarity_df[movie_id]
        scores += sim_vector * user_ratings[movie_id]
        sim_sums += sim_vector.abs()
    
    predicted_scores = scores / sim_sums.replace(0, np.nan)
    predicted_scores[rated_movies] = np.nan  # حذف آیتم‌های دیده‌شده
    
    top_recs = predicted_scores.sort_values(ascending=False).head(top_n)
    
    # اضافه کردن عنوان و ژانر
    rec_movies = movies.set_index('movieId').loc[top_recs.index]
    rec_movies['score'] = top_recs.values
    
    print(f"\nپیشنهادهای برتر برای کاربر {user_id}:")
    for idx, row in rec_movies.iterrows():
        print(f"- {row['title']} | ژانرها: {row['genres']} | امتیاز پیش‌بینی: {row['score']:.3f}")

# تست برای کاربر نمونه
get_recommendations(user_id=1, top_n=10)