/recommender-system

name: recommender-system
description: 智能推荐系统分析工具，提供多种推荐算法实现、评估框架和可视化分析。使用时需要用户行为数据、商品信息或评分数据，支持协同过滤、矩阵分解等推荐算法，生成个性化推荐结果和评估报告。
allowed-tools: Read, Write, Edit, Glob, Grep, Bash, WebSearch, WebFetch

推荐系统分析技能 (Recommender System Skill)

推荐系统分析技能是一个综合性的智能推荐分析工具，基于"数据分析咖哥十话"的推荐系统模块开发，提供多种推荐算法实现、评估框架和可视化分析功能。

🎯 技能概述

本技能专注于构建、评估和可视化智能推荐系统，涵盖从基础协同过滤到高级矩阵分解的完整推荐技术栈。无论是电商产品推荐、游戏推荐还是内容推荐，都能提供专业的分析支持。

✨ 核心特性

🔧 推荐算法引擎

• **协同过滤算法**：基于用户的协同过滤 (UBCF) 和基于物品的协同过滤 (IBCF)
• **矩阵分解技术**：SVD奇异值分解，挖掘用户和商品的隐含特征
• **混合推荐策略**：结合多种算法，提高推荐准确性和覆盖率
• **相似度计算**：余弦相似度、皮尔逊相关系数等多种相似度度量

📊 智能评估框架

• **离线评估指标**：Precision@K、Recall@K、MAE、RMSE等标准评估指标
• **评估方法**：留一法交叉验证、K折交叉验证、时间序列验证
• **多维度评估**：准确性、多样性、新颖性、惊喜度等综合评估
• **算法比较**：多种推荐算法的性能对比和分析

📈 可视化分析

• **推荐结果展示**：个性化推荐列表可视化，推荐解释展示
• **性能评估图表**：算法性能对比图、评估指标趋势图
• **数据洞察分析**：用户行为模式图、商品分布图、评分热力图
• **交互式图表**：支持动态筛选和交互分析

🚀 主要功能模块

1. 推荐算法实现 (`scripts/recommendation_engine.py`)

# 主要类和方法
class RecommendationEngine:
    def user_based_cf(self, user_id, top_k=5)       # 基于用户的协同过滤
    def item_based_cf(self, user_id, top_k=5)       # 基于物品的协同过滤
    def svd_recommend(self, user_id, n_components=50) # SVD矩阵分解推荐
    def hybrid_recommend(self, user_id, weights=None) # 混合推荐策略

2. 推荐系统评估器 (`scripts/recommender_evaluator.py`)

# 主要评估功能
class RecommenderEvaluator:
    def precision_at_k(self, recommendations, ground_truth, k)
    def recall_at_k(self, recommendations, ground_truth, k)
    def leave_one_out_evaluation(self, model, test_data)
    def cross_validate(self, model, data, cv_folds=5)

3. 数据分析器 (`scripts/data_analyzer.py`)

# 数据分析功能
class DataAnalyzer:
    def analyze_user_behavior(self, user_data)        # 用户行为分析
    def analyze_item_popularity(self, item_data)      # 商品热度分析
    def calculate_sparsity(self, interaction_matrix)  # 数据稀疏性分析
    def detect_cold_start(self, user_data, item_data) # 冷启动问题检测

4. 可视化展示器 (`scripts/recommender_visualizer.py`)

# 可视化功能
class RecommenderVisualizer:
    def plot_recommendation_results(self, recommendations) # 推荐结果可视化
    def plot_evaluation_metrics(self, evaluation_results)  # 评估指标图表
    def create_user_item_heatmap(self, interaction_matrix) # 用户-商品热力图
    def plot_algorithm_comparison(self, comparison_data)   # 算法对比图

📋 支持的数据格式

输入数据

• **用户行为数据**：CSV、JSON格式，包含用户ID、商品ID、评分、时间戳等
• **商品信息数据**：CSV、JSON格式，包含商品ID、名称、类别、价格等
• **用户画像数据**：可选的用户年龄、性别、地域等人口统计学信息
• **评分矩阵**：用户-商品评分的稀疏矩阵格式

输出结果

• **推荐列表**：CSV、JSON格式的个性化推荐结果
• **评估报告**：HTML、Markdown格式的详细评估分析
• **可视化图表**：PNG、SVG格式的高质量图表
• **分析洞察**：文本形式的数据洞察和建议

🎯 典型应用场景

电商推荐

• 基于用户购买历史的商品推荐
• 相似商品推荐和交叉销售
• 个性化首页和购物车推荐
• 新用户的冷启动推荐

游戏推荐

• 基于游戏时间和偏好的游戏推荐
• 相似游戏玩家推荐
• 游戏内容推荐和社区推荐
• 新游戏测试用户推荐

内容推荐

• 新闻文章和视频内容推荐
• 音乐和播客推荐
• 学习课程推荐
• 社交媒体内容推荐

🛠️ 使用流程

基础使用流程

1. **数据准备**：加载用户行为数据和商品信息数据 2. **数据探索**：分析用户行为模式和商品分布 3. **算法选择**：选择适合的推荐算法并配置参数 4. **模型训练**：训练推荐模型并进行参数调优 5. **生成推荐**：为目标用户生成个性化推荐列表 6. **效果评估**：评估推荐效果并进行算法对比 7. **结果可视化**：生成推荐结果和评估分析的可视化报告

高级分析流程

1. **深度数据挖掘**：用户分群、商品分类、模式识别 2. **多算法集成**：组合多种推荐算法，构建混合推荐系统 3. **实时推荐**：构建在线推荐服务，支持实时个性化推荐 4. **A/B测试**：设计推荐系统A/B测试，评估业务效果 5. **持续优化**：基于用户反馈持续优化推荐算法

📚 示例代码

快速开始示例

from scripts.recommendation_engine import RecommendationEngine
from scripts.recommender_evaluator import RecommenderEvaluator
from scripts.data_analyzer import DataAnalyzer

# 初始化推荐引擎
engine = RecommendationEngine()
evaluator = RecommenderEvaluator()
analyzer = DataAnalyzer()

# 加载数据
user_data, item_data = engine.load_data('user_behavior.csv', 'product_info.csv')

# 数据分析
user_activity = analyzer.analyze_user_behavior(user_data)
item_popularity = analyzer.analyze_item_popularity(item_data)

# 训练推荐模型
engine.train_item_based_cf(user_data)

# 生成推荐
recommendations = engine.recommend('U001', top_k=10)

# 评估推荐效果
precision = evaluator.precision_at_k(recommendations, ground_truth, k=5)

print(f"推荐结果: {recommendations}")
print(f"Precision@5: {precision:.4f}")

🔧 配置参数

推荐算法参数

• **协同过滤**：相似度阈值、邻居数量、评分归一化方式
• **矩阵分解**：组件数量、正则化参数、学习率、迭代次数
• **混合推荐**：各算法权重、融合策略、推荐列表长度

评估参数

• **评估指标**：K值选择、评估数据比例、交叉验证折数
• **数据分割**：训练集/测试集比例、时间分割点
• **性能基准**：基线算法选择、性能阈值设定

🎯 技能优势

专业性

• 基于权威推荐系统理论，涵盖经典和前沿算法
• 提供完整的推荐系统开发流程和最佳实践
• 支持多种推荐场景和业务需求

实用性

• 开箱即用的推荐算法实现，无需复杂的机器学习背景
• 丰富的示例和模板，快速上手和应用
• 详细的文档和注释，便于理解和定制

可扩展性

• 模块化设计，易于扩展新的推荐算法
• 灵活的配置系统，支持参数调优和算法组合
• 标准化接口，便于集成到现有系统

科学性

• 严格的评估框架，确保推荐效果的科学性
• 多维度评估指标，全面评估推荐系统性能
• 可视化分析，直观展示推荐结果和评估效果

---

通过推荐系统分析技能，用户可以快速构建专业的智能推荐系统，深入理解推荐算法原理，掌握推荐系统评估方法，并将推荐技术应用到实际业务场景中。