基于用户的推荐算法

基于用户（项目）协同过滤   输入：训练集用户列表U，训练集电影列表I，评分矩阵R，邻居数目K，测试集用户列表UT 输出：给每位用户（共计N位用户）产生一个推荐列表，其中包含M部电影

UCF： Start: //构建用户相似度矩阵 For user   For query Calculate sim(ux,uy)   End for End for   //使用计算好的用户相似度 构建用户相似度矩阵SM //推荐流程 For user  and     //找到用户向量 Forming user vector  with each row of R expressing the watching list of user , containing movies    //选择K位邻居 Select K users as the neighbors  of  with whose  is bigger than other inSM    //每位邻居都有一些电影想推荐出去 For neighbor-user       //每位邻居对某个待推荐电影的评分 For movie  and         Calculate   End for End for //推荐预测评分最大的几个电影 Select M movies whose   are bigger than other, forming the recommendation list for End for End

 

一般问题：

问：矩阵太大放不下怎么办？

答：可以使用其他数据结构来模拟一个矩阵，这些结构获得的空间比矩阵大得多，如hashtable，list。虽然这些结构都是一维的，但是通过互相嵌套，可以存放二维空间的数据。如下面的代码

 

Int64 userid, itemid ;//用户id，电影id int rate;//用户对电影的评分，和上面的两个id应该以一个结构体的形式一起出现，为了方便写成了三个分离的数字 Hashtable h_matrix=new Hashtable();//用户-电影评分矩阵 Void store_to_hashtable(userid, itemid, rate, h_matrix)//将某个用户对某个电影的评分写入哈希表 { If(h_matrix.containskeys(userid))//如果矩阵中已经有了这个用户的部分评分记录 {         Hashtable temp_row=(hashtable) h_matrix[userid];//读取这些记录        If(temp_row.containskey(itemid))//如果矩阵中已经记录了这个用户对这个电影的评分 {         temp_row.remove(itemid);         temp_row.add(itemid,rate);         //重置评分，或者什么都不做也可以 } Else//如果没有这个用户对这个电影的评分 { temp_row.add(itemid,rate);//将评分写到哈希表中 } } Else//如果没有这个用户的评分记录 {       Hashtable temp_row= new Hashtable();       temp_row.add(item,rate);//新建这个用户的针对这个电影的评分记录       h_matrix.add(a,temp_row);//新建这个用户的评分记录 } }

 用上面的方法可以实现大矩阵的存储，当我们需要找到某一行某一列的元素时，需要先锁定行对应的userid的key值，将这个key值对应的value放到一个temp的hashtable上，再查找列对应的itemed的key值，这个key值对应的就是评分了。

1.   数据存储

a)      采用Hashtable存储数据，程序中文件位置

String fileTrain="E:\\dataSet\\u1train.base"; //训练集

StringfileTest="E:\\dataSet\\u1test.test";    //测试集

可以根据需要更改。

 

b)     采用倒排的处理方法

大写字母表示user,小写字母表示movie item.

2.   相似度计算（余弦相似度方法）

3.   评测指标

a)     召回率

b)     准确率

上述指标中

R(u)：对用户u推荐N个物品

T(u)：用户u在测试集上喜欢的物品集合

参考资料：

推荐系统实战.pdf