UPCF

KO | EN

gitlite — search

#javascript #react #typescript #llm #golang #go #machine-learning #rust #deep-learning #docker #nodejs #java #awesome #openai

(★ 11)

CF 推荐系统的实现，以及我的改进。使用 MovieLens-1m 数据集，通过 MAE、Persicion、Recall 检验准确性。

UPCF 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# UPCF
称这些文件为一个个的脚本更为合适，每个文件就是处理了 算法 中的一个步骤，所以需按顺序依次执行。论文需进行算法的比较，所以有些地方有多个方法，根据需求自行选择（用的笨方法，需自己手动去改）。
如果看过我的毕业论文（基于用户画像与协同过滤的混合推荐系统研究）会对理解代码有所帮助。是用MovieLens-1m数据集，主要目的是通过MAE、Persicion、Recall看预测评分的准确性。

## 算法概要
基于用户的协同过滤推荐算法中，笔者认为主要过程有三种步：
1. 用户-项目评分矩阵的构建
2. 用户间相似度的计算
3. 位置项目评分预测的计算

使用了皮尔逊相关系数（PCC）、余弦相似度（COS）、改进的余弦相似度（Adjust COS）三种传统的相似度算法，以及一种基于奇异性（SM）的相似度量算法。  
使用了加权聚合（WS）、改进的加权聚合（DFM）两种评分预测算法。  
我论文中提出的方法，是从用户-项目评分矩阵出发，来改进推荐算法预测评分的准确性。思路为将用户统计信息与评分矩阵相结合，构建出满秩、低维、能反映出用户偏好的用户-特征矩阵，来计算用户的相似度。

## 总体介绍
每一个文件代表一个过程，并且需按顺序，由上到下依次执行。每一过程产生的数据，都用 CSV 输出在本地，供下一过程使用。python 版本为 2.XX。
1. 划分 ratings 数据集，输出 train_set.csv test_set.csv 两个文件（仅需执行一次，若需更换训练集、测试集则需再次执行）：
   - DivideData
2. 用于生成用户画像（传统基于用户的协同过滤不需要这一步），三个文件必须按书写顺序从前往后执行（依赖 users.dat train_set.csv 两个文件）。输出 user_profile.csv 文件。
   - GenerateNewUserInfo
   - MovieLabelIndex
   - UserProfile
3. 计算用户之间相似度（依赖生成的用户画像、训练集两个文件），输出 COS_UPsim.csv 文件:   
   - CosUpSimilarity
   - AdCosUpSimilarity
   - PccUpSimilarity
-----
之后根据自己需求执行不同的文件

4. 对测试集中的项目进行评分预测（依赖 COS_UPsim.csv、train_set.csv 两个文件），输出 prediction_rate_cos_upsim_*.csv 文件：
   - WsPredictionRate
   - DfmPredictionRate
5. 计算 MAE 值，输出 mae_cosup_*.csv 文件：
   - EvaluateMaeInDifferentK_Ws
   - EvaluateMaeInDifferentK_Dfm
6. 计算 P、R 值，输出 pr_cosup_Dfm.csv 文件（WS需要的自己做）：
   - EvaluatePRinDifferentN

old_method 中是对传统基于用户协同过滤推荐算法的实现。

## 718新增
1. 增加对用户冷启动问题的解决（Gold_Start)。试验了 100 位新用户仅使用用户信息进行评分预测后所得到的 MAE、P、R 值。
2. 实验了算法对用户属性的敏感性分析（G_A_O)。用户的 性别、年龄、职业，这种用户属性不同组合对算法的影响。

## 下一步工作
1. 重复代码过多，需进行改良
2. 继续完善其它推荐算法

UPCF

UPCF 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

UPCF

UPCF 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README