基于用户的协同过滤算法UserCF作业流程图.docVIP

UserCF算法关键步骤：

关键全局变量：

constintusersum=6040;//用户总数

constintitemsum=3952;//项目总数

constintN=10;//为用户推荐前N个物品

inttrainuser[usersum][itemsum]={0}; //训练集合useritemrate矩阵

inttest[usersum][itemsum]={0};//测试集合useritemrate矩阵

struct_simi

{

doublevalue;//相同值

intnum; //相同用户号

};

_simisimiUser[usersum][usersum];//排序后相同性矩阵

doubletrainuserItem[usersum][itemsum]={0.0};//useritem爱好程度矩阵

intrecommend[usersum][N]={0};//为每个用户推荐N个物品

拆分数据集函数intSplitData(intm,intk)关键步骤：

将数据集拆分为测试集test和训练集trainuser，其中1/m为测试集,取不一样k=m-1值在相同随即种子下可得到不一样测/训集合

计算用户之间相同度函数doubleSimility(int*Ua,int*Ub)关键步骤：

计算用户Ua和Ub相同性，返回值为Ua和Ub相同度

用户相同性矩阵排序函数intsort(double*simArr,_simi*simStruct)关键步骤：

依据相同性由高到低排序，每行第一个是自己

用户i对物品j估计爱好程度函数doublegetUserLikeItem(inti,intj,intk)关键步骤：

利用k个最近邻来计算

推荐函数intgetRecommend()关键步骤：

经过物品爱好程度，推荐前N个