基於概率的協同過濾推薦算法代碼實現（附源代碼）
一、雲模型介紹
針對傳統推薦系統數據稀疏、相似性計算方法導致共同評分用戶少的問題，提出利用雲模型概念與定量數值轉換的優勢，研究雲模型（百度百科查看概念）的個性化推薦改進算法。
雲模型所表達的概念的整體特性可以用雲的數字特徵來反映，雲用期望、熵、超熵這3個數字特徵來整體表徵一個概念。
二、推薦實現思路
1、構建用戶-電影評分矩陣；
2、定義用戶的電影評分頻度向量（用戶對所有電影的1-5分值打分次數），用戶評分頻度向量不關心具體項目的評分，而是關心用戶對項目集的評分特徵；
3、利用逆向雲算法，根據用戶的評分頻度向量計算出雲的三個參數表示的用戶評分偏好，稱為用戶評分特徵向量，記為其中，期望Ex反映了用戶對所有項目的平均滿意度，為偏好水平；熵En反映了用戶評分的集中程度，為評分偏好的離散度；He為超熵的穩定度。
4、計算兩個雲之間的相似度。兩個用戶的評分特徵向量的餘弦夾角為兩個雲之間的相似度，即兩個用戶之間的相似度；
5、得到最近鄰居；
6、得到推薦結果。
三、基於雲模型的協同過濾推薦算法的優勢
1、考慮了整體信息，避免了基於向量的相似度計算方式嚴格匹配對象屬性的不足；
2、充分利用了用戶評分數據的統計信息；
3、避免了傳統相似度比較方法中側重利用相關性而非相似性的弱點;
4、使得那些雖然缺少共同評分項目,但有整體共同偏好的用戶變得可比較;
5、更加適合用戶評分數據稀疏的現實情況。
二、推薦實現過程
1、構建用戶-電影評分矩陣，如下圖：
2、定義雲實體類，如下圖：
3、定義用戶的電影評分頻度向量，如下圖：
4、實例化雲，如下圖：
5、計算用戶之間的相似度，如下圖：
6、得到最近鄰居，如下圖：
7、得到推薦結果，如下圖：
項目源代碼：https://download.csdn.net/download/u011291472/11967865
閱讀更多 搞笑來了了 的文章
