基于用户对电影的历史评分数据解决电影评分预测问题

成员

• 高志伟
• 王子硕
• 刘云洋
• 张露露

Item based collective filtering

总结：物以类聚 原因：item的增长速度远小于user的增长速度 方法：离线计算item的相似度矩阵供线上使用 缺点：由于基于item的相似性，故推荐的item相似，缺乏多样性

针对课题的解决方法

Item <＝> movie 相似性度量的特征： 用户群体 规则：观看的用户群体重合度越高，电影相似度越高 评分：将相同用户对另一个电影的评分作为相似电影的评分

user based collective filtering

总结：人以群分，找和用户有相同品味的其他用户 适用范围：item更新频繁的应用 方法：通过相似用户喜欢的item推荐给该用户 缺点：相似用户群比较敏感，要频繁地计算出用户的相似用户矩阵，运算量会非常大。  推荐的大多是大家都喜欢的热门推荐，有点趋于大众化了

针对课题的解决方法： 相似性度量的特征： 1 看过的电影 2 历史评分

规则：历史观看电影重合度越高，用户越相似 对同一电影评分越相近，用户越相似 历史评分平均值越相近，用户越相似 评分：对于某个用户，要对A电影评分，将A电影的评分用户 中与A相似度达到一定程度的用户的平均分作为这个电影对A的评分

代码

网址为：https://github.com/BitrSky/MLProject