協調フィルタリングアルゴリズムは、主にユーザー（UserCF）とアイテムベース（ItemCF）の 2つの異なるタイプに基づいて、推奨アルゴリズムの分野で広く使用されています。
- ユーザーベースの推奨アルゴリズム：同様の関心を持つユーザーを見つけるアルゴリズムです。学習リソース共有プラットフォームを構築している場合、ユーザーグループは、一般的に安定した専門家であり、比較的固定された読書と学習の趣味を持っています。ユーザーA（つまり、ログインしたユーザー）がパーソナライズされた推奨事項を必要とする場合、彼はまず自分の興味に似ているユーザーグループGを見つけ、次にGに含まれAには含まれないものを予測して評価し、最後に予測された評価値に基づいて評価できます。ユーザーAが推奨を行います。
- アイテムベースの推奨アルゴリズム：以前に花を購入したなどの理由でユーザーがパーソナライズされた推奨を必要とする場合、他の多くのユーザーが同時に花とフラワーポットを購入するため、フラワーポットを彼に推奨します。アイテムベースの推奨アルゴリズムでは、最初にアイテム間の類似性を計算し、次にアイテムの類似性とユーザーの過去の行動に基づいてユーザーの推奨リストを生成する必要があります。
この記事の作成者は、最初のアルゴリズムであるユーザーベースの協調フィルタリングアルゴリズム（UserCF）の実装を紹介します。前述のように、ステップを3つのステップに分けます。
1.ユーザーAと同様の関心を持つユーザーグループを見つける
- まず、ユーザー間の類似度を計算する必要があります。このペーパーでは、コサイン類似度を使用して計算します。式は次のとおりです。
（N（u）はユーザーuが購入したアイテムのセットを表し、| N（u）|はユーザーuが購入したアイテムの数、N（v）は同じであり、ユーザーvのオブジェクトです）
分母部分を計算します。類似性マトリックスsparseMatrixを作成します。sparseMatrix[u] [v]は、ユーザーuとユーザーvが購入した同一アイテムの数を表します
- 次に、ユーザーの類似性を降順で並べ替え、しきい値内で最も類似したユーザーグループのみを取得します。
2. Aが聞いたことも見たこともないGに含まれるものを予測および分析します。
類似ユーザーのグループから、私（ログインユーザー）が持っていない類似ユーザーが購入したアイテムを予測ありのアイテムとして取得します。私の興味を共有しているユーザーがそれらを購入したので、私もそれらを好きかもしれませんこれがUserCFの原則です。これらの項目を予測するには、予測分析を実行する必要があります。式は次のとおりです。
ここで、uはユーザー、iはアイテム、（u、k）はユーザーの類似グループu、p（u、i）はユーザーのアイテムiの好意、rは評価、この例では1としますスコアリングシステムでは、重みを調整して結果をより正確にする役割を果たします。
3.予測分析値に基づいてAを推奨
予測項目の好感度をユーザーが分析した結果、ソート後にソートされたリストを生成することができますが、この例ではより簡潔で、最適なリストのみを推奨しています。
コードは次のとおりです。
#include<cstdio>
#include<cstring>
#include<cmath>
#include<iostream>
#include<algorithm>
#include<set>
using namespace std;
const int maxn = 100;
struct similarty{
double weight;
int user;
}similartys[maxn];
void myprint(int userItem[][maxn],int n){
for(int i=0;i<n;i++){
cout<<"用户"<<userItem[i][0]<<"买了：";
int j=1;
while(userItem[i][j]!='\0'){
cout<<userItem[i][j]<<" ";
j++;
}
cout<<endl;
}
cout<<"-----------"<<endl;
}
int length(int *array){
int num=0;
int p=1;
while(array[p]!='\0'){
num++;
p++;
}
return num;
}
bool myfind(int userItem[][maxn],int user,int n){
for(int i=1;i<=length(userItem[user-1]);i++){
if(userItem[user-1][i]==n) return true;
}
return false;
}
bool cmp(similarty a,similarty b){
return a.weight>b.weight;
}
int main(){
int n=5; //用户人数
int userId=3; //推荐给userId
int num=2; //匹配用户个数
cout<<"用户人数:"<<n<<" "<<"登录id:"<<userId<<endl<<"具体情况："<<endl;
//数据集
int userItem[n][maxn]={
{1,1,2,3,6,7},
{2,2,3},
{3,1,2,4,5,7},
{4,1,2,4,6},
{5,3,4}
};
myprint(userItem,n);
int sparseMatrix[n+1][n+1]; //记录两个用户之间的相似度的稀疏矩阵
memset(sparseMatrix,0,sizeof(sparseMatrix));
//计算用户之间的相似相似度矩阵
for(int i=0;i<n;i++){
for(int j=i+1;j<n;j++){
int p=1;
while(userItem[i][p]!='\0'){
int q=1;
while(userItem[j][q]!='\0'){
if(userItem[i][p] == userItem[j][q]){
sparseMatrix[userItem[j][0]][userItem[i][0]]++;
sparseMatrix[userItem[i][0]][userItem[j][0]]++;
break;
}
q++;
}
p++;
}
}
}
//计算用户之间的相似度 (余弦相似性)
int userIdLength = length(userItem[userId-1]);
int cnt=0;
for(int i=1;i<=n;i++){
if(i!=userId){
int iLength = length(userItem[i-1]);
similartys[cnt].weight = sparseMatrix[userId][i]/sqrt(userIdLength*iLength);
similartys[cnt].user = i;
cout<<"用户"<<userId<<"和"<<i<<"相似度:"<<similartys[cnt].weight<<endl;
cnt++;
}else{
similartys[cnt++].weight=-1;
}
}
sort(similartys,similartys+n,cmp);
cout<<"-----------"<<endl<<"用户匹配度最高的[2]位用户为:";
for(int i=0;i<2;i++){
cout<<similartys[i].user<<" ";
}
set<int> items; //记录考虑的商品：相似用户有的,而登录用户没有的
for(int i=0;i<2;i++){
for(int j=1;j<=length(userItem[similartys[i].user-1]);j++){
if(!myfind(userItem,userId,userItem[similartys[i].user-1][j])){
items.insert(userItem[similartys[i].user-1][j]);
}
}
}
cout<<endl<<"-----------"<<endl<<"考虑商品:"<<endl;
set<int>::iterator it = items.begin();
for(it;it!=items.end();it++){
cout<<*it<<" ";
}
cout<<endl<<"它们的匹配度为:"<<endl;
//计算商品匹配度
double maxpick = 0;
int recommendation;
for(it=items.begin();it!=items.end();it++){
double pick = 0;
for(int i=0;i<2;i++){
if(myfind(userItem,similartys[i].user,*it)){
pick+=similartys[i].weight;
}
}
if(pick>maxpick){
maxpick = pick;
recommendation = *it;
}
cout<<"商品"<<*it<<":"<<pick<<endl;
}
cout<<"-----------"<<endl<<"推荐商品:"<<recommendation<<endl;
}操作効果：
概要：CFアルゴリズムの原理は実際には比較的単純であり、基本的な機能を実現するには、いくつかのステップで計算式を習得する必要があります。
