Rating Prediction——评分预测小结

注：
1. 数据集合来源自 MovieLens
2. 末尾附上源代码

一、Introduction

---

现在，各大网络购物平台的购物都会有评分机制，商家要给用户推荐其满意的商品，就需要了解用户的行为，基于用户行为进行分析，从而预测并给用户推荐适合的商品，提高商品转化率。用户行为多种多样，本实验是基于用户评分的行为，来预测用户未来的评分，一次作为给用户推荐的因素之一。

---

二、Methodology

---

将已有的数据分割为两部分，一部分作为用户过去的行为集（即训练集），另一部分作为用户评分预测集（即测试集），通过用户的行为集来预测其对其他未评分商品的评分。然后将预测的评分集与测试集比较进行误差计算。
步骤：

1. 读取数据文件，生成用户评分矩阵（行标为用户id，列标为电影id，元素值为评分）.
2. 对评分矩阵进行分割，生成训练集和测试集并存入两个矩阵当中。
3. 对训练集使用LFM算法，得到隐含因子模型矩阵。
4. 通过step 3的隐含因子模型矩阵生成一个预测矩阵。
5. 将预测矩阵集与测试集进行比较 ，得到误差数据。

---

三、Trading Algorithm

---

隐含语义模型（LFM）：

• 隐含语义技术简介
  假设用户A的兴趣涉及侦探小说、科普图书以及一些计算机技术书，而用户B的兴趣比较集中在数学和机器学习方面。那么，如何给A和B推荐图书呢？
  除了UserCF和ItemCF，还有一种方法：对用户的兴趣和书进行分类。对于某个用户，首先得到他的兴趣分类，然后从分类中挑选他可能喜欢的物品。
  总结一下，这个基于兴趣分类的方法大概需要解决3个问题：
  (1) 如何给物品进行分类？
  (2) 如何确定用户对哪些类的物品感兴趣，以及感兴趣的程度？
  (3) 对于一个给定的类，选择哪些属于这个类的物品推荐给用户，以及如何确定这些