recommender-system

npx skills add majiayu000/claude-skill-registry --skill recommender-system-liangdabiao-claude-data-analysis --agent claude-code

Same command for any agent — swap --agent for codex, cursor, copilot.

# 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`) ```python # 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`) ```python # 主要评估功能 class RecommenderEvaluator: def precision_at_k(self, recommendations, ground_truth, k) def recall_at_k(self, recommendations,