// 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。
Find doctors with Healthgrades - search providers, read reviews, and check credentials
Presentation creation, editing, and analysis. When Claude needs to work with presentations (.pptx files) for: (1) Creating new presentations, (2) Modifying or editing content, (3) Working with layouts, (4) Adding comments or speaker notes, or any other presentation tasks.
基于RFM模型和回归算法的客户生命周期价值(LTV)预测分析工具，支持电商和零售业务的客户价值预测。使用时需要客户交易数据、订单历史或消费记录，自动进行RFM特征工程、回归建模和价值预测。
IDE setup, dev containers, and local development tools
Presentation creation, editing, and analysis. When Claude needs to work with presentations (.pptx files) for: (1) Creating new presentations, (2) Modifying or editing content, (3) Working with layouts, (4) Adding comments or speaker notes, or any other presentation tasks
Presentation creation, editing, and analysis. When Claude needs to work with presentations (.pptx files) for: (1) Creating new presentations, (2) Modifying or editing content, (3) Working with layouts, (4) Adding comments or speaker notes, or any other presentation tasks.
| 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。
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。
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
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)
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
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
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}")
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。