您的位置: 首页  >  文章  >  协同过滤算法之基于item

协同过滤算法之基于item

分类: 文章 • 2025-01-19 09:53:58

  • 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

协同过滤算法之基于item

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。

协同过滤算法之基于item

求出相识度如下表所示

协同过滤算法之基于item

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。

协同过滤算法之基于item

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  


  • 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

协同过滤算法之基于item

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。

协同过滤算法之基于item

求出相识度如下表所示

协同过滤算法之基于item

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。

协同过滤算法之基于item

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  


协同过滤算法之基于item

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。

协同过滤算法之基于item

求出相识度如下表所示

协同过滤算法之基于item

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。

协同过滤算法之基于item

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  

相关推荐