我做的关于协作推荐的实验——为这个小组做些贡献

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) 皮尔森相关性计算方法 3、 根据实验结果论证各参数（相似度阈值，邻居共有项数目阈值，加权平均相似项阈值）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) 共有项阈值：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) 相似度阈值：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 相似度阈值，共有项数目阈值，加权平均推介项个数对推介的结果有比较显著的影响，相似度阈值越高，共有项数目阈值越大，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。