协同过滤算法之基于item

• 基于item协同过滤算法：利用的是item组成相似性矩阵，这里我们是基于电影协同过滤算法实现

现在要给所有的用户推荐电影

首先我们要计算电影之间的相似度，相似度用皮尔逊相关来求电影之间的相似性。

求出相识度如下表所示

比如我们要给A推荐电影，那么根据A看过的电影与其他电影相似度，进行加权评分，得出要给A推荐的电影。

如表是我们要给所有用户推荐的电影，其中0代表该用户看过电影，不需要推荐。

从表中我们可以看出给A推荐最高的电影是4，即寻龙诀电影推荐给A用户。

代码如下所示：

电影相似度代码：

[plain]  view plain  copy

1. load('score.mat');  
2. [rowsize,colsize] = size(A);  
3. sim = zeros(colsize);  
4. %% Pearson相关系数求电影相似性  
5. for i = 1:colsize-1  
6.     for j = i+1:colsize  
7.         sum1=0;  
8.         sum2=0;  
9.         sum3=0;  
10.         sum4=0;  
11.         sum5=0;  
12.         temp = A(:,i)&A(:,j);  
13.         index = find(temp);  
14.         for k = 1:size(index,1)  
15.             sum1 = sum1 + A(index(k),i)*A(index(k),j);  
16.             sum2 = sum2 + A(index(k),i);  
17.             sum3 = sum3 + A(index(k),j);  
18.             sum4 = sum4 + A(index(k),i)^2;  
19.             sum5 = sum5 + A(index(k),j)^2;  
20.         end  
21.         sum23 = (sum2 * sum3)/k;  
22.         sum42 = sum4 - sum2^2/k;  
23.         sum53 = sum5 - sum3^2/k;  
24.         if (sum42~=0&&sum53~=0)  
25.             sim(i,j)=(sum1 - sum23)/sqrt(sum42 * sum53);  
26.         end  
27.     end  
28. end  

给用户推荐电影评分代码：

[plain]  view plain  copy

1. %% 给用户推荐电影评分  
2. predict_score = zeros(rowsize,colsize);  
3. for i = 1:rowsize  
4.     %% 找到用户已评价的电影的索引  
5.     find_temp = find(A(i,:));  
6.     %% 找到用户没有评价的电影索引  
7.     ufind_temp = find(A(i,:)==0);  
8.     %% 预测用户没有评价电影的评分值  
9.     for j = 1:size(ufind_temp,2)  
10.         %% 利用某用户对所有评价电影乘以未评价电影相似度  
11.         for k=1:size(find_temp,2)  
12.             predict_score(i,ufind_temp(j)) = predict_score(i,ufind_temp(j)) + A(i,find_temp(k))*sim(find_temp(k),ufind_temp(j));  
13.         end  
14.     end  
15. end