协同过滤-基于Matlab的电影推荐

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

原贴地址：http://taowenwu.sinaapp.com/?p=785
协同过滤，英文名Collaborative filtering，算法wiki上有详细介绍。
数据是来自MovieLens,地址：ml-100k.zip

Matlab Code分三个部分：
1.Loaddata.m,由于userSim计算耗时，这里用load userSim代替。

1. clear;clc;
   
2. [~, ~, raw] = xlsread('D:\My Documents\MATLAB\MovieLens\data.xlsx','u_data','A2:D100001');
   
3. raw(cellfun(@(x) ~isempty(x) && isnumeric(x) && isnan(x),raw)) = {''};
   
4. 
   
5. %% Replace non-numeric cells with NaN
   
6. R = cellfun(@(x) ~isnumeric(x) && ~islogical(x),raw); % Find non-numeric cells
   
7. raw(R) = {NaN}; % Replace non-numeric cells
   
8. 
   
9. %% Create output variable
   
10. data = reshape([raw{:}],size(raw));
    
11. 
    
12. %% Allocate imported array to column variable names
    
13. userId = data(:,1);
    
14. itemId = data(:,2);
    
15. rating = data(:,3);
    
16. timestamp = data(:,4);
    
17. 
    
18. %% Clear temporary variables
    
19. clearvars data raw R;
    
20. 
    
21. [~, ~, raw] = xlsread('D:\My Documents\MATLAB\MovieLens\data.xlsx','u_item','A2:B1683');
    
22. raw(cellfun(@(x) ~isempty(x) && isnumeric(x) && isnan(x),raw)) = {''};
    
23. cellVectors = raw(:,2);
    
24. raw = raw(:,1);
    
25. 
    
26. %% Create output variable
    
27. data = reshape([raw{:}],size(raw));
    
28. 
    
29. %% Allocate imported array to column variable names
    
30. movieId = data(:,1);
    
31. movieTitle = cellVectors(:,1);
    
32. 
    
33. %% Clear temporary variables
    
34. clearvars data raw cellVectors;
    
35. 
    
36. format long;
    
37. s=cell(0,0);
    
38. unique_userId=unique(userId);
    
39. nums_of_unique_userId=length(unique_userId);
    
40. 
    
41. for user_index=1:nums_of_unique_userId;
    
42. example_userId=unique_userId(user_index);
    
43. example_userIds_itemId=itemId(userId==example_userId);
    
44. example_userIds_rating=rating(userId==example_userId);
    
45. nums_of_example_userIds_itemId=length(example_userIds_itemId);
    
46. example_userId_meanRating=mean(example_userIds_rating);
    
47. s{1,user_index}=example_userId;
    
48. s{2,user_index}=example_userIds_itemId;
    
49. s{3,user_index}=example_userIds_rating;
    
50. s{4,user_index}=nums_of_example_userIds_itemId;
    
51. s{5,user_index}=example_userId_meanRating;
    
52. end
    
53. 
    
54. % 计算example_userID的rating平均值example_userIds_meanRating
    
55. % user_index=1;
    
56. % example_userId=unique_userId(user_index);
    
57. % example_userIds_meanRating=0;
    
58. % example_userIds_rating=s{3,user_index};
    
59. % example_userId_meanRating=mean(example_userIds_rating);
    
60. load userSim;
    
61. % 找出用户u,n相同的item和对应的rating——sameitemId_both_un矩阵包括same itemId及u,n对应的rating
    
62. % userSim=zeros(nums_of_unique_userId,nums_of_unique_userId);
    
63. % for u=1:nums_of_unique_userId
    
64. %     for n=1:nums_of_unique_userId
    
65. % % u=100;n=200;
    
66. % nums_of_us_itemId=s{4,u};
    
67. % nums_of_ns_itemId=s{4,n};
    
68. % us_meanRating=s{5,u};
    
69. % ns_meanRating=s{5,n};
    
70. % us_itemId=s{2,u};
    
71. % ns_itemId=s{2,n};
    
72. % us_rating=s{3,u};
    
73. % ns_rating=s{3,n};
    
74. %
    
75. % nums_of_sameitemId_both_un=0;
    
76. % sameitemId_both_un=[];
    
77. % for us_itemId_index=1:nums_of_us_itemId
    
78. %     for ns_itemId_index=1:nums_of_ns_itemId
    
79. %         if us_itemId(us_itemId_index)==ns_itemId(ns_itemId_index),
    
80. %             nums_of_sameitemId_both_un=nums_of_sameitemId_both_un+1;
    
81. %             sameitemId_both_un=[sameitemId_both_un;us_itemId(us_itemId_index),us_rating(us_itemId_index),ns_rating(ns_itemId_index)];
    
82. %         end
    
83. %     end
    
84. % end
    
85. %
    
86. % %计算用户u,n之间皮尔逊相关系数(pearon correlation coefficient)——userSim(u,n)
    
87. % part1=0;
    
88. % part2=0;part3=0;
    
89. % for sameitemId_both_un_index=1:nums_of_sameitemId_both_un
    
90. %     part1=part1+(sameitemId_both_un(sameitemId_both_un_index,2)-us_meanRating)*(sameitemId_both_un(sameitemId_both_un_index,3)-ns_meanRating);
    
91. %     part2=part2+(sameitemId_both_un(sameitemId_both_un_index,2)-us_meanRating)^2;
    
92. %     part3=part3+(sameitemId_both_un(sameitemId_both_un_index,3)-ns_meanRating)^2;
    
93. % end
    
94. %
    
95. % part2=max(part2,1e-3);
    
96. % part3=max(part3,1e-3);
    
97. % userSim(u,n)=part1/(sqrt(part2)*sqrt(part3));
    
98. %     end
    
99. % end

复制代码

2.函数movie_to_recommend_Func.m 这一段程序就不贴出来了，需要的可以发我邮件:taowenwu@gmail.com
3.主程序main.m

1. userId=4;
   
2. movie_to_recommend_Func(movieId,movieTitle,s,userSim,userId)

复制代码

Output结果：

1. >> main
   
2. 用户userId=4推荐的电影有:
   
3. 电影名:Toy Story (1995)         评分:4.6257
   
4. 电影名:Get Shorty (1995)         评分:4.5329
   
5. 电影名:Shanghai Triad (Yao a yao yao dao waipo qiao) (1995)         评分:4.3333
   
6. 电影名:Twelve Monkeys (1995)         评分:4.3333
   
7. 电影名:Babe (1995)         评分:4.3333
   
8. 电影名:Dead Man Walking (1995)         评分:4.3333
   
9. 电影名:Richard III (1995)         评分:4.3333
   
10. 电影名:Usual Suspects, The (1995)         评分:4.3333
    
11. 电影名:Mighty Aphrodite (1995)         评分:4.3333
    
12. 电影名:Postino, Il (1994)         评分:4.3333
    
13. 电影名:Mr. Holland's Opus (1995)         评分:4.3333
    
14. 电影名:French Twist (Gazon maudit) (1995)         评分:4.3333
    
15. 电影名:From Dusk Till Dawn (1996)         评分:4.3333
    
16. 电影名:White Balloon, The (1995)         评分:4.3333
    
17. 电影名:Antonia's Line (1995)         评分:4.3333
    
18. 电影名:Angels and Insects (1995)         评分:4.3333
    
19. 电影名:Muppet Treasure Island (1996)         评分:4.3333
    
20. 电影名:Braveheart (1995)         评分:4.3333
    
21. 电影名:Taxi Driver (1976)         评分:4.3333
    
22. 电影名:Rumble in the Bronx (1995)         评分:4.3333
    
23. >>

复制代码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：MATLAB matla atlab 协同过滤 电影推荐 电影推荐 协同

顶一个先

顶一个

请问楼主数据集怎么转化的啊，我是小白