摘要:本文主要向大家介绍了 C/C++知识点之SlopeOne推荐算法实现(C++),通过具体的内容向大家展示,希望对大家学习C/C++知识点有所帮助。
本文主要向大家介绍了 C/C++知识点之SlopeOne推荐算法实现(C++),通过具体的内容向大家展示,希望对大家学习C/C++知识点有所帮助。
SlopeOne算法是一个非常简单的协同过滤算法,主要思想如下:如果用户u对物品j打过分,现在要对物品i打分,那么只需要计算出在同时对物品i和j打分的这种人中,他们的分数之差平均是多少,那么我们就可以根据这个分数之差来计算用户u对物品i的打分了,当然,这样的物品j也有很多个,那有的物品和j共同打分的人少,有的物品和j共同打分的人多,那么显而易见,共同打分多的那个物品在评分时所占的比重应该大一些。
如上就是简单的SlopeOne算法的主要思想,用维基百科上的一张图来表示(一看就懂):
途中用户B要对物品J进行评分,那么这时候发现物品i被用户B打为2分,而同时发现用户A同时评价了物品i和物品j,且物品i比物品j少了0.5分,那么由此看来,用户B给物品j打得分应该就是比给物品i打的分高0.5分,故是2.5分。
由于思想是如此简单,故我们就来实践一把,当然这里就是最最朴素的实现,只是为了检测下算法效果如何。。。数据集还是如上篇博客一样,用的是movielens里面的小数据集,其中有1000用户对2000物品的评分,80%用来训练,20%用来测试。
具体代码如下:
#include
#include
#include
#include
using namespace std;
const int USERMAX = 1000;
const int ITEMMAX = 2000;
double rating[USERMAX][ITEMMAX];
int I[USERMAX][ITEMMAX];//indicate if the item is rated
double mean;
double predict(int u, int l)
{
double total = 0;
double totalCnt = 0;
for (int i = 0; i < ITEMMAX; i++)
{
if (l != i&&I[u][i])
{
double dev = 0;
int cnt = 0;
for (int j = 0; j < USERMAX; j++)
{
if (I[j][l] && I[j][i])
{
dev += rating[j][i]-rating[j][l];
cnt++;
}
}
if (cnt)
{
dev /= cnt;
total += (rating[u][i] - dev)*cnt;
totalCnt += cnt;
}
}
}
if (totalCnt == 0)
return mean;
return total / totalCnt;
}
double calMean()
{
double total = 0;
int cnt = 0;
for (int i = 0; i < USERMAX; i++)
for (int j = 0; j < ITEMMAX; j++)
{
total += I[i][j] * rating[i][j];
cnt += I[i][j];
}
return total / cnt;
}
void train()
{
//read rating matrix
memset(rating, 0, sizeof(rating));
memset(I, 0, sizeof(I));
ifstream in("ua.base");
if (!in)
{
cout << "file not exist" << endl;
exit(1);
}
int userId, itemId, rate;
string timeStamp;
while (in >> userId >> itemId >> rate >> timeStamp)
{
rating[userId][itemId] = rate;
I[userId][itemId] = 1;
}
mean = calMean();
}
void test()
{
ifstream in("ua.test");
if (!in)
{
cout << "file not exist" << endl;
exit(1);
}
int userId, itemId, rate;
string timeStamp;
double total = 0;
double cnt = 0;
while (in >> userId >> itemId >> rate >> timeStamp)
{
double r = predict(userId, itemId);
cout << "true: " << rate << " predict: " << r << endl;
total += (r - rate)*(r - rate);
cnt += 1;
//cout << total << endl;
}
cout << "test rmse is " << pow(total / cnt, 0.5) << endl;
}
int main()
{
train();
test();
return 0;
}
实验结果如下:
在测试集上的rmse达到了0.96,而之前一篇博客实现的svd通过复杂的梯度下降来求最优解也就0.95左右,故SlopeOne算法是非常简单有效的,维基百科里说是最简洁的协同过滤了,但是我个人觉得类似knn的协同过滤更加好懂啊(只不过在计算用户相似度等方面麻烦了点)
本文由职坐标整理并发布,希望对同学们有所帮助。了解更多详情请关注职坐标编程语言C/C+频道!
您输入的评论内容中包含违禁敏感词
我知道了
请输入正确的手机号码
请输入正确的验证码
您今天的短信下发次数太多了,明天再试试吧!
我们会在第一时间安排职业规划师联系您!
您也可以联系我们的职业规划师咨询:
版权所有 职坐标-一站式IT培训就业服务领导者 沪ICP备13042190号-4
上海海同信息科技有限公司 Copyright ©2015 www.zhizuobiao.com,All Rights Reserved.
沪公网安备 31011502005948号