主程序是 evaluate_class.py
该程序中首先定义了一个 evaluate类 ，此类包含了所有的结果分析方法
类中需要外部调用的函数有三个： EvaCF(thre, n) EvaClu(user_genres_data, movie_genres_data) Q()
其中： EvaCF 用来进行 协同预测 评价 EvaClu 在 社区中用户观看电影种类方面 进行评价 Q 用来进行 模块度 评价
数据文件存放在 ml-1m 文件夹中
pyfile文件夹中存放一些测试以及数据处理文件
其中： collaborative_filtering.py 是利用 协同预测 做矩阵填充的文件，生成predictedratings.dat cut_data.py 用来切割数据集 evaluate_cf.py 是早期用来测试 协同过滤 的文件 MovieGenres.py 文件是早期用来测试 电影-电影种类 的文件
总之，只要有evaluate_class.py 以及 ml-1m文件夹 中的数据，程序就可以运行了。
PS: evaluate.py是未经过类封装的、早期用来做评价
2022-05-10 18:04:25
14KB
协同推荐是信息个性化服务中广泛应用的推荐算法，协同推荐算法以宿主系统所观测到的用户评分作为实现推荐的数据依据。用户评分矩阵的稀疏性问题对协同推荐的各工作过程可产生直接或间接的影响，导致推荐服务的准确性下降。通过对稀疏性问题影响推荐系统方式的分析发现，一般协同推荐方法的项目相似度计算只注重项目在评分数值上的相关性，而忽视了项目之间评分的重合度对提高推荐质量所起的重要作用。通过将评分重合度融入到相似度计算中，提出了一种结合评分重合度的改进协同推荐算法，并在稀疏评分环境下将其与已有协同推荐算法进行了对比实验与分析，实验结果验证了所提算法在提高预测准确性上的有效性。
2021-04-30 17:02:59
1.25MB
1
摘要 I
Abstract II
1.绪论 1
1.1 引言 1
1.2 研究现状 2
1.3 本文主要研究内容 2
1.4 本文主要框架 3
2. 推荐算法介绍 4
2.1协同过滤推荐算法 4
2.2基于内容的推荐算法 4
2.3基于关联规则的推荐算法 5
2.4基于聚类的推荐算法 5
2.5推荐算法研究方向 6
3.基于时间加权的协同推荐算法基础 7
3.1时间加权的协同推荐算法思想 7
3.2时间加权的协同推荐算法过程 9
4.基于经验时间的协同推荐算法基础 10
4.1算法的提出 10
4.2算法思想 10
4.2.1筛选项目集 11
4.2.2项目相似性 12
4.2.3最近邻居查询 12
4.2.4目标用户评测 12
4.3算法核心代码设计 13
5.实验结果分析 17
5.1实验数据用例 17
5.2推荐度量指标 18
5.3实验分析 18
6.结论 20
2021-04-01 17:11:22
942KB