基于使用者與基于項目的協同過濾推薦算法對比試驗代碼實作 協同過濾推薦算法測評名額RMSE均方根誤差 MAE平均絕對誤差

一、實作原理和步驟

1、使用movielens資料集（943個使用者，1682部電影，80000條評分資料）；

2、建構使用者-電影評分矩陣；

3、資料統計分析；

4、冷啟動推薦；

5、輸入使用者id（1-943）；

6、基于使用者的協同過濾推薦算法；

7、基于項目的協同過濾推薦算法；

8、計算推薦算法測評名額rmse值。

二、實作代碼

1、項目目錄

2、項目運作主方法

3、項目常量

4、建構使用者-項目評分矩陣

5、資料統計與分析

6、冷啟動推薦

7、基于使用者的協同過濾推薦算法

8、基于項目的協同過濾推薦算法

9、協同過濾推薦算法測評名額RMSE

三、運作結果

1、初始化

2、使用者-項目評分矩陣輸出

3、資料統計與分析結果

4、冷啟動推薦結果

5、部分使用者相似度

6、基于使用者的協同過濾推薦算法結果

7、部分項目相似度

8、基于項目的協同過濾推薦算法結果與測評名額RMSE

作者專業長期研究各種協同過濾推薦算法，歡迎留言、私信互相交流學習，後續會不斷更新不同的協同過濾推薦算法，歡迎關注。