散文網(wǎng) » 科技 »學(xué)習(xí) » 推薦系統(tǒng)——電影評(píng)分預(yù)測(cè)算法（基于用戶的協(xié)同過(guò)濾、基于物品的協(xié)同過(guò)濾）

一、協(xié)同過(guò)濾算法原理

協(xié)同過(guò)濾是一種常用的推薦系統(tǒng)方法，它根據(jù)用戶或物品之間的相似度，為目標(biāo)用戶推薦他們可能感興趣的物品。協(xié)同過(guò)濾有兩種主要的類型：基于用戶的協(xié)同過(guò)濾（UBCF）和基于物品的協(xié)同過(guò)濾（IBCF）

1、User-Based CF（基于用戶的協(xié)同過(guò)濾）

UBCF是一種方法，它找到和目標(biāo)用戶興趣相似的用戶集合，并推薦這些相似用戶喜歡的、目標(biāo)用戶沒(méi)有接觸過(guò)的物品。1例如，如果A和B都喜歡科幻電影和書籍，而A看過(guò)并喜歡一部新的科幻電影，那么UBCF就會(huì)把這部電影推薦給B

UBCF的核心是計(jì)算用戶之間的相似度，通常使用皮爾遜相關(guān)系數(shù)或余弦相似度作為相似度度量。給定用戶u和用戶v，令N(u)表示用戶u曾經(jīng)有過(guò)正反饋的物品集合，令N(v)為用戶v曾經(jīng)有過(guò)正反饋的物品集合。2那么，皮爾遜相關(guān)系數(shù)可以定義為：

其中，rui表示用戶u對(duì)物品i的評(píng)分，rˉu表示用戶u對(duì)所有物品的平均評(píng)分。
根據(jù)用戶之間的相似度，可以為目標(biāo)用戶預(yù)測(cè)他對(duì)某個(gè)物品的評(píng)分。預(yù)測(cè)公式如下：

其中，r^ui表示預(yù)測(cè)評(píng)分，S(u,K)表示和用戶u最相似的K個(gè)用戶集合，N(i)表示對(duì)物品i有過(guò)評(píng)分的用戶集合。

2、Item-Based CF（基于物品的協(xié)同過(guò)濾）

IBCF是一種方法，它找到和目標(biāo)用戶喜歡的物品相似的物品，并推薦這些相似物品給目標(biāo)用戶。例如，如果A喜歡某系列的書籍和電影，而有一本新的奇幻小說(shuō)和某系列書籍很相似，那么IBCF就會(huì)把這本小說(shuō)推薦給A。

IBCF的核心是計(jì)算物品之間的相似度，通常也使用皮爾遜相關(guān)系數(shù)或余弦相似度作為相似度度量。給定物品i和物品j，令U(i)表示對(duì)物品i有過(guò)正反饋的用戶集合，令U(j)為對(duì)物品j有過(guò)正反饋的用戶集合。那么，皮爾遜相關(guān)系數(shù)可以定義為：

其中，rui表示用戶u對(duì)物品i的評(píng)分，rˉi表示物品i的平均評(píng)分。
根據(jù)物品之間的相似度，可以為目標(biāo)用戶預(yù)測(cè)他對(duì)某個(gè)物品的評(píng)分。預(yù)測(cè)公式如下：

其中，r^ui表示預(yù)測(cè)評(píng)分，S(i,K)表示和物品i最相似的K個(gè)物品集合，N(u)表示用戶u有過(guò)評(píng)分的物品集合。

二、數(shù)據(jù)集下載

MovieLens Latest Datasets Small

下載ml-latest-small.zip，數(shù)據(jù)量小，便于我們單機(jī)使用和運(yùn)行

下載地址：https://files.grouplens.org/datasets/movielens/ml-latest-small.zip

目標(biāo):根據(jù)m1-latest-sma11/ratings.csv(用戶-電影評(píng)分?jǐn)?shù)據(jù))，分別實(shí)現(xiàn)User-Based CF和ltem-BasedCF，并進(jìn)行電影評(píng)分的預(yù)測(cè)，然后為用戶實(shí)現(xiàn)電影推薦