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。