菜单
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。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
全面的AB测试分析工具，支持实验设计、统计检验、用户分群分析和可视化报告生成。用于分析产品改版、营销活动、功能优化等AB测试结果，提供统计显著性检验和深度洞察。
Perform multi-touch attribution analysis using Markov chains, Shapley values, and custom attribution models. Use when you need to analyze marketing channel effectiveness, calculate conversion attribution, optimize marketing budgets, or understand customer journey paths. Supports channel transition analysis, ROI calculation, and marketing optimization insights with Chinese language support.
Generates production-ready analysis code in Python, R, SQL. Invoke when user wants reusable code for data analysis, ML, or visualization.
Analyze text content using both traditional NLP and LLM-enhanced methods. Extract sentiment, topics, keywords, and insights from various content types including social media posts, articles, reviews, and video content. Use when working with text analysis, sentiment detection, topic modeling, or content optimization.
通用的 6 阶段数据分析助手：数据质量→探索性分析→假设生成→可视化→代码生成→综合报告。提供完整的方法论和模板！
自动化数据探索和可视化工具，提供从数据加载到专业报告生成的完整EDA解决方案。支持多种图表类型、智能数据诊断、建模评估和HTML报告生成。适用于医疗、金融、电商等领域的数据分析项目。
| 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。