基于用戶的協(xié)同過濾推薦算法與預(yù)測評分實踐【matlab實現(xiàn)】

2020-08-18 19:15 作者:這個騷年很可耐 0人讀過 | 我要投稿

眾所周知的是，我們生活在一個充滿“大數(shù)據(jù)”的社會生活當(dāng)中，比如豆瓣圖書，電影推薦等等。

針對于傳統(tǒng)推薦，即基于內(nèi)容，基于用戶，以及基于商品的推薦，一種現(xiàn)有推薦算法，既融合協(xié)同過濾推薦，又包含用戶，或者商品的推薦算法。

現(xiàn)在簡單介紹基于基于用戶的協(xié)同過濾推薦算法：

如圖1所示，在推薦系統(tǒng)中，用m×n的打分矩陣表示用戶對物品的喜好情況，一般用打分來表示用戶對商品的喜好程度，分數(shù)越高表示該用戶對這個商品越感興趣，而數(shù)值為空表示不了解或是沒有買過這個商品。

如圖2所示，基于用戶的協(xié)同過濾推薦算法是指找到與待推薦商品的用戶u興趣愛好最為相似的K個用戶，根據(jù)他們的興趣愛好將他們喜歡的商品視為用戶u可能會感興趣的商品對用戶u進行推薦。

從以上介紹可以看出，基于用戶的協(xié)同過濾推薦算法主要分為兩步，第一步是求出用戶之間的相似度，第二步是根據(jù)用戶之間的相似度找出與待推薦的用戶最為相似的幾個用戶并根據(jù)他們的興趣愛好向待推薦用戶推薦其可能會感興趣的商品。

? ? 用戶之間的相似度的計算主要可以通過Jaccard公式和余弦相似度公式得到。

若有讀者對上述內(nèi)容感興趣可以點擊下方鏈接：

https://blog.csdn.net/u014473918/article/details/79771558
https://blog.csdn.net/Bryan_QAQ/article/details/90549338?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522159774873719195239759926%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=159774873719195239759926&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v3~pc_rank_v2-1-90549338.first_rank_ecpm_v3_pc_rank_v2&utm_term=%E6%9D%B0%E5%8D%A1%E5%BE%B7%E7%B3%BB%E6%95%B0&spm=1018.2118.3001.4187
https://blog.csdn.net/zz_dd_yy/article/details/51926305?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522159774876319724839260877%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=159774876319724839260877&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v3~pc_rank_v2-1-51926305.first_rank_ecpm_v3_pc_rank_v2&utm_term=%E4%BD%99%E5%BC%A6%E7%9B%B8%E4%BC%BC%E5%BA%A6%E8%AE%A1%E7%AE%97%E5%85%AC%E5%BC%8F&spm=1018.2118.3001.4187
現(xiàn)貼代碼如下：

首先，我們要特別說明的是，我們要將手頭的數(shù)據(jù)進行預(yù)處理。

按照用戶id，以及電影id升序或者降序排序，形成兩張表格，方便我們的處理，
我們的數(shù)據(jù)集是GroupLens_MovieLens數(shù)據(jù)集，該數(shù)據(jù)集囊括了10幾年的電影評分數(shù)據(jù)，該數(shù)據(jù)集包含2000年起，6040個用戶對大概3900部電影的1000209條評分數(shù)據(jù)。該數(shù)據(jù)集項目1992年開始就被使用在研究協(xié)同過濾和改進的協(xié)同過濾上。