我做的关于协作推荐的实验——为这个小组做些贡献

2009-02-14 19:48:26 来自: 咚咚咚(领略豆瓣)

这是去年10月做的实验，篇幅有限，不能实验结果。若需要更多的实验数据和源程序可与我联系，希望能抛砖引玉，与有相同爱好和兴趣的朋友多交流，共同进步。

实验目的：

1、设计并实现基于协作的项目评分预测系统

2、用户相似程度计算分别采用

a) 修正余弦相关度计算方法

b) 泊松相关性计算方法

3、根据实验结果论证各参数（相似度阙值，邻居共有项数目阙值，加权平均相似项阙值）对于推荐结果（MAE）的影响，分析原因

注：数据集由MovieLens提供

实验步骤：

1、根据训练集构造 “用户/推介项/评分” 矩阵

a) 输入：训练集 MovieLens 提供的训练样本文件 un.base 如下：

1 6 5 887431973

1 10 3 875693118

1 12 5 878542960

1 14 5 874965706

每行依次为：用户id，推荐项id，评分项，时间戳

b) 输出：U/I/R 矩阵

2、计算用户间相似性，获得用户相似性矩阵

a) 应用“修正的余弦”相似性计算方法

b) 应用“泊松相关系数”计算方法

3、用户相似性矩阵排序（根据相似性由高到低排序）

4、测试集录入

5、对每一条测试值进行估计，计算偏差

6、计算预测效果（MAE，有效推介个数）

实验数据和结果：

1，参数说明：

a) 选择用户900名，推荐项1600个；

b) 共有项阙值：计算用户相似度时，两用户间至少要对多少个推荐项进行评价

c) 相似度阙值：大于该值才能归为该用户的邻居

d) 相似选择个数：在估计推荐值时选择的用户个数，加权平均时使用

e) 估计值总数：符合条件的估计值总数

实验结果部分（略）

实验结果分析

相似度阙值，共有项数目阙值，加权平均推介项个数对推介的结果有比较显著的影响，相似度阙值越高，共有项数目阙值越大，加权平均推介项个数越多，推介的估计值就会越准确，但同时满足以上较好参数的用户及项目却不多。随着各参数的提高，符合推介条件的项会减少，应该设计多策略选择各个参数，以保证每个推介项对每个用户都有推介，且有较好的推介效果。

2009-05-09 23:20:46 mei

你好，我在做一篇电子商务个性化推荐服务研究的论文，需要MovieLens网站的数据集，请问能提供给我吗？我的email是lmm_5181964@qq.com，或者QQ：359039851，如果可以的话，请联系我，谢谢！

> 删除
2009-08-25 11:32:34 考虑中

你好，不知道能不能得到你的数据集和程序的源代码。
如果可以的话请发到我的信箱里，谢谢！！
我的EMAIL：jixiaosheng@126.com

> 删除
2009-09-26 21:44:02 yangyang (不要搜索，为我推荐吧~)

你好，希望能够得到你的源代码，我的信箱wang.yangyang@stu.xjtu.edu.cn。多谢 O(∩_∩)O~

> 删除
2009-10-11 22:04:50 Charlie

你好，我正打算深入这一领域，希望能够得到你的源代码和数据集，我的信箱是charlie.sdu@gmail.com。谢谢了！

> 删除
2009-12-10 16:05:34 traition

你好，我正在作这方面的研究，能否联系一下？谢谢！traition@126.com

> 删除
2009-12-16 23:06:15 Walter

您们好，最近在做这方面的东西，希望得到你的源代码和数据集。邮箱：423526911@qq.com 谢谢~~

> 删除