基于用户的协同过滤算法-matlab

%% 载入训练数据 load u1.base; %% 数据预处理 % 提取数据的前三列，即用户序号、被该用户评价电影序号、评价分值 [m,n]=size(u1); test=zeros(m,3); for a=1:3 test(:,a)=u1(:,a); end %% 建立评分矩阵 number_user=max(test(:,1)); number_movies=max(test(:,2)); score_matrix=zeros(number_user,number_movies);%评分矩阵 for a=1:m score_matrix(test(a,1),test(a,2))=test(a,3); end Sim_matrix=zeros(number_user,number_user);%相似度矩阵 tic; load('SimilitudUsers.mat'); % % 计算评分矩阵 % for a=1:number_user-1 % for b=a+1:number_user % Sim_matrix(a,b)=Similarity_ab(score_matrix,a,b); % end % end toc; %% 建立相似度矩阵 % Sim_matrix=Sim_matrix'+Sim_matrix;%求完整的相似度矩阵，就是形成对称矩阵 % value_1_index=find(Sim_matrix>=0.9999);%找出Sim_matrix矩阵中所有相似度为1的值， % %因为可能是错误值，后期选择邻居不应考虑。 % %为什么不是value_1_index=find(Sim_matrix==1)这样有部分1不能正确找出，可以试试看 % Sim_matrix(value_1_index)=0;%将所有相似度为1的值用0代替 %% 载入测试集 load u1.test; %% 作预测 [m,n]=size(u1); test=zeros(m,3); for a=1:3 test(:,a)=u1(:,a); end Predict_score=zeros(m,1); for g=1:m %score_matrix来自于训练集 P_u=find(score_matrix(:,test(g,2))~=0);%找出对电影评价过的所有用户集合 P_u= P_u'; [~,num]=size(P_u);%计算评价过该电影的用户的个数 %%%%%%%%%%%计算邻居%%%%%%%%%%%% neibor_num=10; P_u_sim=Sim_matrix(test(g,1),P_u); %index显示的是原来的位置，不过不会递增，按行排序的话，index每行都是1到列数 [temp,index]=sort(P_u_sim,2,'descend');%按行降序排列 [~,num1]=size(index); if num1>=neibor_num neibor=(P_u(index(1:neibor_num))); else neibor=(P_u(index)); neibor_num=num1; end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%% sum_score_g=sum(score_matrix(test(g,1),:),2);%该用户对所有电影的总评分 [~,num1]=size(find(score_matrix(test(g,1),:))); aver_score_g=sum_score_g/num1;%该用户对电影的平均评分 for e=1:neibor_num sum_score_e=sum(score_matrix(neibor(e),:),2);%该用户对所有电影的总评分 [~,num2]=size(find(score_matrix(neibor(e),:))); aver_score_e=sum_score_e/num2;%该用户对电影的平均评分 sum1=0; sum2=0; sum1 = sum1+Sim_matrix(test(g,1),neibor(e))*(score_matrix(neibor(e),test(g,2))-aver_score_e); sum2 = sum2+Sim_matrix(test(g,1),neibor(e)); end if sum2==0 Predict_score(g,1)=round(aver_score_g); %排除分母为零的情况 else Predict_score(g,1)=round(aver_score_g+sum1/sum2); %确保预测值为1~5的评分数 if Predict_score(g,1)>5 Predict_score(g,1)=5; elseif Predict_score(g,1)<1 Predict_score(g,1)=1; end end end %% 计算RMSE Eval=zeros(m,3); Eval(:,1)=test(:,3); Eval(:,2)=Predict_score(:,1); Eval(:,3)=abs(test(:,3)-Predict_score(:,1)); RMSE=sqrt(Eval(:,3)'*Eval(:,3)/m) MSE=sum(Eval(:,3))/m % save SimilitudItems Sim_matrix; % load('SimilitudItems.mat');