レコメンドの仕組みと「混ぜ込み」のジレンマ：協調フィルタから sponsored slot まで

from surprise import Dataset, KNNBasic, Readerfrom surprise.model_selection import train_test_splitimport pandas as pd
# サンプルデータ (user / item / rating)data = pd.DataFrame({    'user': ['u1','u1','u1','u2','u2','u3','u3','u3'],    'item': ['A','B','C','A','B','B','C','D'],    'rating': [5, 3, 4, 4, 4, 5, 4, 5],})
reader = Reader(rating_scale=(1, 5))ds = Dataset.load_from_df(data[['user','item','rating']], reader)trainset, testset = train_test_split(ds, test_size=0.2)
# ユーザベース KNNalgo = KNNBasic(sim_options={'user_based': True})algo.fit(trainset)
# u1 にとっての D の予測評価pred = algo.predict('u1', 'D')print(f"u1 の D 評価予測: {pred.est:.2f}")

from sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.metrics.pairwise import cosine_similarityimport numpy as np
# 商品の説明文products = {    'A': '赤い革製の靴 メンズ ビジネス',    'B': '黒い革製の靴 メンズ ビジネス',    'C': '赤いハイヒール レディース パーティ',    'D': '茶色のスニーカー ユニセックス カジュアル',}
vec = TfidfVectorizer()matrix = vec.fit_transform(products.values())sim = cosine_similarity(matrix)
# A に類似する商品トップ 2ids = list(products.keys())a_idx = ids.index('A')similar = sorted(enumerate(sim[a_idx]), key=lambda x: -x[1])for i, score in similar[1:3]:    print(f"{ids[i]}: 類似度 {score:.2f}")