問題描述
每個用戶都有自己的喜好，會給一個電影進(jìn)行打分，且每個用戶的評判標(biāo)準(zhǔn)是不一樣的。這里根據(jù)用戶觀看過的電影以及對電影的打分作為基礎(chǔ)，為其推薦其沒看過但與其看過的高分電影相似度高的電影。
實驗數(shù)據(jù)
MovieLens 是歷史最悠久的推薦系統(tǒng)。它由美國 Minnesota 大學(xué)計算機科學(xué)與工程學(xué)院的 GroupLens 項目組創(chuàng)辦，是一個非商業(yè)性質(zhì)的、以研究為目的的實驗性站點。MovieLens 主要使用 Collaborative Filtering 和 Association Rules 相結(jié)合的技術(shù)，向用戶推薦他們感興趣的電影。
https://grouplens.org/datasets/movielens/
數(shù)據(jù)集：ml-latest-small.zip中包括700個用戶對9000部電影的100000條評價。
主要步驟
采用二分網(wǎng)絡(luò)模型，對ml-1m文件夾中的“用戶---電影”打分?jǐn)?shù)據(jù)進(jìn)行建模；
用戶對自己看過的電影打分1-5分，其中1分表示最不喜歡，5分表示最喜歡。假設(shè)分?jǐn)?shù)大于3分的，表示用戶喜歡這部電影。-
計算資源配額矩陣；
計算資源配額矩陣W中的元素wij表示產(chǎn)品j愿意分配給產(chǎn)品i的資源配額。假設(shè)一個用戶選擇過的商品j都有向該用戶推薦其他產(chǎn)品i的能力。
在這里插入圖片描述
kj表示產(chǎn)品j的度（被多少用戶評價過），kl表示用戶l的度（用戶選擇過多少產(chǎn)品）。
-
對給定用戶，按照其喜歡程度，對電影進(jìn)行排名，進(jìn)行電影推薦；
目標(biāo)用戶的資源分配矢量f。初始時，將他選擇過的電影對應(yīng)項資源設(shè)置為1，其他為0，得到初始n維0/1向量。則最終的資源分配矢量:
在這里插入圖片描述
將用戶所有沒看過的電影按照 中對應(yīng)項的得分進(jìn)行排序，推薦排序靠前的電影給該用戶。
算法預(yù)測準(zhǔn)確性預(yù)測；
將二部圖中的邊隨機分為兩部分，期中90%歸為訓(xùn)練集，10%歸為測試集。
對給定用戶i，假設(shè)其有Li個產(chǎn)品是未選擇的，如果在測試集中用戶i選擇的電影j，而電影j依據(jù)向量 被排在第Rij位，則計算其相對位置：
越精確的算法，給出的rij越小。對所有用戶的rij求平均值 來量化評價算法的精確度。
具體實現(xiàn)代碼：https://github.com/BlackJocker1995/rating_analysis
