推荐系统被广泛应用于不同的应用程序中，用于预测用户对产品或服务的偏好或评价。在过去的几分钟或几小时里，你很可能在网上遇到过或与某种类型的推荐系统进行过互动。这些推荐系统有不同的类型，其中最突出的包括基于内容的过滤和协作过滤。在本文中，我们将研究基于地理位置的推荐，我们特别关注地理位置，以便利用用户的地理位置提供更相关的推荐。
为了说明基于位置的推荐器的关键方面，我们将使用 K-Means 算法和来自 Kaggle 的 Yelp 数据集执行一个简单的基于位置的推荐。数据是 JSON 文件，可以用 pandas 轻松读取。
下表显示了数据集的前 5 行。表中提供了企业坐标、评级星级和每家企业的评论数量。
探索性数据分析（EDA）与预处理
在本节中，我们将探索并预处理数据集。该数据集包含来自 yelp 用户的评论，并包含许多类别。为了简化我们的分析和对推荐模型的解释，我们将把重点放在餐馆上，您也可以选择您感兴趣的其他类别。
我们首先通过过滤所有包含 "餐馆 "一词的业务来创建一个餐馆数据帧。然后，我们绘制出餐厅星级从 1 星到 5 星的分布图。从图中可以清楚地看出，大多数餐厅的星级为 4.0 或 3.5 星，只有少数餐厅的星级为 5.0 星。
我们还可以根据评论数和星级创建一个排序数据框架，并将数据集中排名前 20 位的餐厅可视化。
这里不仅要根据星级对餐厅进行排序，还要根据餐厅的评论数量进行排序。以下是数据集中所有排名前 20 的餐厅的分布图。
最后，在进入 K-Means 聚类和基于位置的推荐之前，让我们也探索一下这些餐厅的位置，并将其可视化为一张地图。我们将使用 Plotly Express 库，该库提供了一种灵活简便的方法，可以用漂亮的底图绘制地理数据。
为了定制我们的推荐系统，我们将只关注内华达州的拉斯维加斯，因为该数据集中的餐厅数量最多。
我们为拉斯维加斯的所有餐馆绘制了放大地图。下面是拉斯维加斯所有餐厅的地图。地图的颜色基于餐厅的星级数量，而大小则表示该餐厅的评论数量。如您所见，评价较高的餐厅都集中在市中心。
K-Means 聚类
在执行 K-Means 聚类算法之前，我们首先要确定数据集的最佳聚类数量。在这里，我们使用了一种名为 Elbow 方法的技术。
弯头法可以帮助我们确定合适的聚类数量。这并不能给出准确的聚类数量，但有可能帮助我们选择聚类的数量。从下图可以看出，它有多个弯头。
在肘法的帮助下，我们选择了 5 个聚类，并对坐标执行 K-Means 聚类算法。我们还在 lasVegas 数据帧中填充了一列新内容。
最后，我们绘制了 K-Means 算法的聚类散点图。该图清晰地显示了算法的输出结果，有 5 个聚类。
基于位置的推荐
在本节中，我们将把 K 均值聚类和餐厅评级结合起来，根据用户的位置推荐餐厅。首先，让我们创建一个数据帧，根据评论数和星级对拉斯维加斯的餐厅进行排序。我们将其称为 DataFrametop_restaurants_lasVegas。
我们准备创建一个根据用户位置推荐餐厅的函数。我们创建一个根据用户位置推荐餐厅的函数。
在这里，我们的函数将接收经纬度和数据帧。函数首先会预测坐标属于哪个集群，然后进一步将数据帧限制在该集群中，并返回该集群中排名前 5 的餐馆。
这个函数很简单，只接受坐标，但我们可以进一步开发，接受其他输入，如地址或邮编。这需要一些地理编码应用程序，所以现在只需说明基于位置的推荐功能就足够了。在使用推荐函数之前，让我们先创建一个测试数据帧。
现在，我们可以将数据帧中的任何用户作为输入，使用我们的推荐函数来测试我们基于位置的简单推荐的功能。请记住，这些测试数据只是为了方便，推荐函数可以直接接受任何给定的坐标。
对于第一个用户，K-Means 算法会预测聚类，并找出该聚类中排名前 5 的餐厅并进行推荐。红点为用户所在位置，蓝点为推荐餐厅。
让我们再举一个例子，本例中的用户 3。我们的 "recommend_restaurant "函数会再次预测该用户所属的群组，并从中选出该群组中排名前 5 的餐厅。
结论
在本教程中，我们使用 Yelp 数据集演示了基于位置的 python 推荐。我们使用餐馆来展示基于位置的推荐应用。我们的推荐系统使用基于餐厅坐标的 K-Means 聚类，并且只考虑餐厅的评级（评级数和星级）来推荐餐厅。我们还可以考虑餐厅的类型来定制推荐。这一点还可以进一步发展，纳入其他输入方法，如地址或邮政编码。最后，虽然 K-means 聚类限制了推荐餐厅的范围，但我们的推荐并没有明确考虑用户与推荐餐厅之间的距离。