基于用户的协同过滤（user-based CF）推荐系统【2】

这一篇是紧跟着上一篇基于用户的协同过滤（user-based CF）推荐系统【1】的，这一篇只是把计算相似度的方法换成了余弦相似度，当然最后计算评分的公式也就变了。下面只把有变化的那部分代码贴出来。直接替换到上一篇里面的代码就可以了。

---

simpleCF.py

part1 += user_movie[u][m]*user_movie[n][m]*1.0
part2 += pow(user_movie[u][m], 2)*1.0
part3 += pow(user_movie[n][m], 2)*1.0

    for n, nuw in sorted(userSim[user].items(),key=itemgetter(1),reverse=True)[0:N]: 
        average_n_rate = average_rating(n)   #用户n的平均分
        for i, nrating in user_movie[n].items():  #用户n看过电影集合及评分
            # filter movies user interacted before
            if i in interacted_items:
                continue
            pred.setdefault(i,0)
            pred[i] += nuw * nrating
        sumUserSim += nuw

    for i, rating in pred.items():
        pred[i] =  (pred[i]*1.) / sumUserSim

只是simpleCF.py这个文件有点改动，evaluateRecom.py文件没有改动。

---

Tips:初学推荐系统的朋友可以看看这篇文章，2005年的，比较久了，但是比较基础，里面介绍了
collaboratiofiltering，content-based recommendation, hybrid recommendation,比较全。

http://dl.acm.org/citation.cfm?id=1070751
Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions

---