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。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/RunnerQuan/SAFE-Agent --skill recommender-system命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
正在显示 SKILL.md
| 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。