该博客介绍了如何利用情绪分析的评分数据，实施基于用户的协同过滤推荐算法。首先从用户-文章评分矩阵出发，寻找用户相似度，然后推荐评分最高的项目给用户。强调了选择基于用户推荐的原因是能提供新颖内容，尽管存在计算复杂度问题，但整体上是可接受的。具体步骤包括实时统计评分、计算用户相似度、生成推荐商品集等。最后提到在获取评分机制后，可以通过调整权重实现个性化推荐。
上周已经实现了对于用户面部表情的捕捉,并对用户的情绪进行了分析.队友通过情绪分析给出了用户对当前文章的评分.这周则根据以情绪为基础评分的文章评价进行推荐.
1.初始数据
首先我们得到的数据有用户阅读完一篇文章后,对该文章的评价,这个评价是一个综合评价分值,由之前队友的工作完成.所以最终的数据形式应该是一个用户-文章评分的矩阵.因此根据用户-评价矩阵,我决定采用基于用户的协同过滤推荐算法.通过寻找与目标用户具有相似评分的邻居用户，通过查找邻居用户喜欢的项目，推测目标用户也具有相同的喜好。
2.算法思想
基于用户的协同过滤推荐算法基本思想是：根据用户-文章评分矩阵查找当前用户的最近邻居，利用最近邻居的评分来预测当前用户对项目的预测值，将评分最高的N个项目推荐给用户.其算法流程图如下图1所示
为什么采用基于用户的推荐而不是基于内容,因为基于用户的协同过滤推荐算法可以帮助用户发现新的商品，带来惊喜.我们需要的更多是内容的新颖,而对于复杂的在线计算和用户问题,都是可以接受的.
3.具体步骤
基于用户的协同过滤推荐算法实现步骤为：
1).实时统计user对item的打分，从而生成user-item表
2).计算各个user之间的相似度，从而生成user-user的得分表，并进行排序；
3).对每一user的item集合排序；
4).针对预推荐的user，在user-user的得分表中选择与
最低0.47元/天 解锁文章
787
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
