本项目为一个基于协同过滤算法的商品推荐系统，采用Python语言进行开发，并包含详细的代码注释和使用说明文档。
该项目是个人毕业设计项目，在答辩评审中获得了95分的高分。所有代码经过调试测试，并确保可以运行。欢迎下载使用，适用于初学者学习或进阶研究。
该资源主要针对计算机、通信、人工智能及自动化等相关专业的学生、教师和从业者提供帮助，亦可作为期末课程设计、大作业以及毕业设计等项目参考。整体而言，该项目具有较高的学习借鉴价值；基础能力强的用户可以在现有基础上进行修改调整以实现不同的功能需求。
协同过滤算法是本项目的重点之一，在构建推荐系统时主要解决的是如何预测和推荐用户喜爱的商品这一核心问题。具体来说：
- **商品维度**：找到与该用户已评分高的商品相似度较高的其他商品，并向其推荐。
- **用户维度**：基于用户的偏好，寻找与其兴趣相吻合的其它用户所喜欢的商品进行推荐。
衡量两者之间的相似性是关键步骤：
1. 用户间的相似性通过两人对同一项物品的评价接近程度来定义；
2. 物品间的关系则根据单一用户在不同商品上的评分差异大小来决定。
项目深入探讨了基于商品相似性的推荐算法实现，具体包括以下函数：
- `get_marked()`：提取所有已标记（即有评分）的数据
- `first_normalizer()`：由于数据稀疏性问题，在处理过程中引入权重矩阵，并将无法直接计算的值设为3以替代缺失信息；
- `compute_MAE()`：采用绝对平均误差(Mean Absolute Error, MAE)作为评价指标，通过`@nb.jit()`, 这是numba库中的一个加速器装饰符，用于提高Python代码执行效率，在本例中可将计算速度提升600倍。
每次迭代时的操作包括：
- 复制评分矩阵；
- 保留正确的数据值；
- 计算相似度和预测评分；
- 归一化处理结果；以及
- 最终评估误差，即MAE。
5星
