1 绪论

1.1 背景

在互联网技术日益发展和进步的时代，各种数据呈现井喷式增长状态，仅2017 年“双十一”天猫旗下购买物品所产生的交易额最终定格在 1682 亿元，其中，无线成交额就占据了 90 个百分点。这部分数据十分庞大，但对于当今大数据时代所产生的数据总和来说，却只不过是冰山一角。并且互联网的发展还不仅局限于购物，它已经渗透到了生活的各个方面。那么，该如何在这海量的数据中为用户找到并推荐有价值的信息，这一问题已成为当今大数据时代面临的一个重大挑战。

协同过滤（Collaborative Filtering）是现今推荐系统中应协同过滤用最为成熟的一个推荐算法系类，它利用兴趣相投、拥有共同经验之群体的喜好来推荐使用者感兴趣的资讯，个人透过合作的机制给予资讯相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选资讯。

有优点就有缺点，缺点主要体现在:由于依赖用户的行为，捕捉新视频，实时热点视频能力较弱（即 Item 的冷启动问题）；结果由于依赖其他用户的行为，可解释性不强。有时候会发现推荐了一些用户不可理解的内容，著名的例子就是推荐中的“哈利波特”问题。运营编辑人员无法显性的干预推荐结果，对于强媒体属性的公司，这种支持强干预、抗风险能力是必须的。

1.2 问题重述

问题一：产品精准营销推荐

利用附件 1 中的收视回看信息及点播信息中的用户行为，分析用户的收视偏好。例如喜欢看哪一类的节目，家中成员有哪些，然后为附件 2 的产品进行分类打包推荐。

问题二：相似用户的电视产品打包推荐

构建用户标签体系和产品标签体系，对相似偏好用户进行分类，为用户贴上标签；对产品进行分类，为产品推荐标签；为每一位用户生成个性化的产品营销推荐方案。

1.3 问题分析

针对问题一，通过观察发现，附件 1 中的四个子表格中，表 1、表 2 是用户频道数据，表 3、表 4，是用户节目数据，所以可以对其分为两类进行处理。

（1）对于表 1、表 2，首先分别计算用户对于每个频道的观看频率，然后对时间数据进行加权，最后整合得到初始数据。其次，利用协同过滤的 userCF 算法，得到用户间的相似度矩阵。

（2）对于表 3、表 4，先对节目进行预处理。对于点播金额和观看时间分别加权，计算用户观看节目的总频率表。然后采用 itemCF 算法，得到每个节目间的相似度矩阵。

（3）根据节目相似度，计算点播用户的节目推荐列表，再根据用户相似度，计算未点播用户的相似推荐列表。

针对问题二，需要为用户推荐节目观看类型标签，进行用户画像，所以要先构建用户及产品标签体系。具体的求解步骤如下：

（1）用附件 2 构建产品标签体系及用户标签体系，得到产品数据标签，并对标签进行编号。

（2）用附件 3 计算入网时长，为用户贴上新老用户标签。

（3）用附件 1 计算每个用户在每个时间段的观看频率，找出频率排名最高的时间段，删除在时间上无明显偏好的用户，为用户贴上时间偏好标签。

（4）结合附件 2 整理得到的数据与用户相似度矩阵，得到用户数据标签列表，以及用户标签推荐列表。

2 模型假设

（1）假设用户观看或回看时长不足 5 分钟的数据，为无效数据。

（2）假设时间段观看的最高频率小于 0.5 的用户，为无明显偏好用户。

（3）假设用户的偏好不改变。

3 符号说明

4 基于 userCF 算法的用户节目推荐

4.1 思路分析

通过观察发现，附件 1 中的四个表中，分别有用户和频道数据、用户和节目数据，两类数据。对于表 1、表 2，先分别计算各自的观看频率，然后进行整合，利用协同过滤的 userCF 算法，计算用户间的相似度矩阵。对于表 3、表 4，先对节目进行预处理，计算用户观看节目的总频率表，运用 itemCF 算法，计算节目相似度。根据节目相似度，计算点播用户的节目推荐列表，再根据用户相似度，计算未点播用户的相似推荐列表，然后同理计算附件 2，得到总的节目推荐表，其思维导图如下图 4-1：

注：表 1 指用户收视信息表，表 2 指用户回看信息表，表 3 指用户点播信息表，表 4 指用户单片点播信息表。

4.2 整理数据

4.2.1 用户和频道信息数据处理

观察原始数据发现附件 1 给出的频道号有断层，所以本文对其进行了重新编号（详表见附件 1）。计算出用户收看节目的时长，计算出时间频率，并删除掉收看时长小于或等于 5 分钟的数据，其公式如下：

Ft=Tt′TF_t=\frac{T_t^ \prime}{T}Ft=TTt′

(1)

注： FtF_tFt表示时间频率， Tt′T_t ^\primeTt′表示该用户观看该节的总时间， TTT表示该用户观看节目的总时间。

运用 Matlab 分别计算用户收视频率表 1（代码见附录 1）、用户回看频率表 2（代码见附录 2）：

Fw(Fr′)=Wc′WcF_w(F_r ^\prime) = \frac{W_c^\prime}{W_c}Fw(Fr′)=WcWc′

(2)

Fv(Fr)=Fw(Fr′)+FtF_v(F_r)=F_w(F_r ^\prime)+F_tFv(Fr)=Fw(Fr′)+Ft

(3)

注：WcW_cWc表示该用户观看节目的总次数， Wc′W_c^ \primeWc′表示该用户观看该节目的总次数， FvF_vFv表示收视频率， FrF_rFr表示回看总频率， FwF_wFw表示观看频率， Fr′F_r ^\primeFr′表示回看频率，FtF_tFt表示时间频率。

根据经验可以知道，当一个人认为某个频道好看时，就会多次返回观看，所以，本文将表 1 和表 2 整合为一个表，其计算公式如下：

Ps=Fv+aFr′a+1P_s=\frac{F_v+aF_r^ \prime}{a+1}Ps=a+1Fv+aFr′

(4)

注：FvF_vFv表示收视频率，Ft′F_t ^\primeFt′表示回看频率，PsP_sPs表示用户观看频道总频率，aaa表示权重。

在本文中令a=1，整理得到下表 3：

4.2.2 计算用户相似度

在协同过滤中两个用户产生相似度是因为他们共同喜欢同一个物品，两个用户相似度越高，说明这两个用户共同喜欢的物品很多。假设每个用户的兴趣都局限在某几个方面，因此如果两个用户都喜欢某一个物品，那么这两个用户可能就很相似，而如果两个用户喜欢的物品大多都相同，那么他们就可能属于同一类，因而有很大的相似度。其计算公式如下：

Wuv=∣N(u)⋂N(v)∣∣N(u)N(v)∣W_{uv}=\frac {|N(u) \bigcap N(v)|}{\sqrt{|N(u)N(v)|}}Wuv=∣N(u)N(v)∣∣N(u)⋂N(v)∣

(5)

注：∣N(u)∣|N ( u)|∣N(u)∣是用户uuu喜欢的物品集合， ∣N(v)∣|N (v)|∣N(v)∣是用户vvv喜欢的物品集合,∣N(u)⋂N(v)∣|N(u) \bigcap N(v)|∣N(u)⋂N(v)∣
是用户uuu 和vvv同时喜欢的物品集合。

通过运行 Matlab（代码见附录 3），得到用户相似度矩阵，见下表 4。

4.2.3 用户和点播信息数据处理

首先，将同一个用户观看的多个相同的节目整合为一个节目，待整合完毕后，对节目依次进行编号（详表见附件）。其次，计算出用户收看节目的时长，计算出时间频率，并删除掉收看时长不足 5 分钟的数据（注：计算时间频率公式如（1）所示）。然后，对于用户点播信息中的数据，计算点播金额比例：
P=M′MP=\frac{M^ \prime}{M}P=MM′

(6)

注：PPP 表示点播金额比例，MMM表示该用户观看节目总金额， M′M^ \primeM′表示该用户观看该节目总金额。

运用 matlab，分别计算单片点播总频率表 5 与单片点播总频率表 6，其中

Fd′(D′)=Dc′DcF_d ^\prime (D ^\prime ) = \frac{D_c ^\prime}{D_c}Fd′(D′)=DcDc′

(7)

D(Fd)=D′(c)+P(Ft)D(F_d )= D^\prime (c)+P(F_t)D(Fd)=D′(c)+P(Ft)

(8)

注： Fd′F_d ^\primeFd′表示单片点播频率，D′D ^\primeD′表示点播频率，Dc′D_c ^\primeDc′表示该用户在该节目点播总次数，DcD_cDc表示该用户点播节目总次数，FdF_dFd 表示单片点播总频率， Fd′F_d ^\primeFd′表示单片点播频率, PPP表示点播金额比例，D′D'D′表示点播频率，DDD表示点播总频率。

最后，将单片点播总频率与单片点播总频率整合为一体，其公式如下：

Ps′=Fd+aFd′a+1P_s ^\prime= \frac{F_d+aF_d ^\prime}{a+1}Ps′=a+1Fd+aFd′

(9)

注：FdF_dFd表示单片点播总频率，Fd′F_d 'Fd′表示单片点播频率，aaa表示权重，Ps′Ps'Ps′表示用户观看节目总频。由于用户在点播时是需要购买观看的，所以在本文中a=2。

4.3 协同过滤推荐算法

4.3.1 点播用户推荐

（1）计算物品相似度

在协同过滤中两个物品产生相似度是因为它们共同被很多用户喜欢，两个物品相似度越高，说明这两个物品共同被很多人喜欢。假设每个用户的兴趣都局限在某几个方面，因此如果两个物品属于一个用户的兴趣列表，那么这两个物品可能就属于有限的几个领域，而如果两个物品属于很多用户的兴趣列表，那么它们就可能属于同一个领域，因而有很大的相似度。其计算公式如下：

Wij=∣N(i)⋂N(j)∣∣N(i)N(j)∣W_{ij}=\frac {|N(i) \bigcap N(j)|}{\sqrt{|N(i)N(j)|}}Wij=∣N(i)N(j)∣∣N(i)⋂N(j)∣

(10)

注：∣N(i)∣|N (i)|∣N(i)∣是喜欢物品iii的用户数， ∣N(v)∣|N (v)|∣N(v)∣是喜欢物品jjj的用户数,∣N(i)⋂N(j)∣|N(i) \bigcap N(j)|∣N(i)⋂N(j)∣
是同时喜欢物品iii和物品的jjj用户数。

得到节目相似度矩阵，见下表 7：

（2）生成推荐列表

ItemCF 通过如下公式计算用户 uuu 对一个物品 jjj 的兴趣：

Puj=∑i∈N(u)⋂S(i,j)WjiRuiP_{uj}=\sum_{i \in N(u) \bigcap S(i,j)} W_{ji} R_{ui}Puj=i∈N(u)⋂S(i,j)∑WjiRui

(11)

注：其中PujP_{uj}Puj表示用户uuu对物品jjj的兴趣，N(u)N(u )N(u)表示用户喜欢的物品集合，S(i,k)S(i, k)S(i,k)表示和物品iii最相似的kkk个物品集合，WjiW_{ji}Wji表示物品jjj 和iii的相似度，PuiP_{ui}Pui表示用户uuu对物品iii的兴趣。

由上式可以看出，和用户历史上感兴趣的物品越相似的物品，越有可能在用户的推荐列表中获得比较高的排名，运行 Matlab（见附录 4），根据上表 7，利用了协同过滤算法原理生成了每个用户的相邻矩阵，即可以得到与每个用户喜好程度最为接近的前 20 位用户的信息，以此生成点播用户推荐表，见下表 8：

4.3.2 非点播用户推荐

由于在附件 1 的用户收视信息、用户回看信息表中的收视用户、回看用户并不全是点播用户。所以，本文考虑，利用用户收视信息、用户回看信息表得出用户相似度矩阵表 4，来为未点播用户推荐节目。

（1）计算点播用户观看频率最高的节目。

（2）计算未点播用户推荐频率，其公式如下：

G=S+T2G=\frac{S+T}{2}G=2S+T

注：GGG表示推荐系数，SSS表示相似度，TTT表示点播用户观看得节目的最高的频率。

通过计算得到未点播用户推荐列表，见下表 9：

4.3.3 附件 2 节目整理

运用同样的方法，将附件 2 中用户看过的节目推荐给附件 1 中用户看过的节目，通过整理得到附件 2 节目推荐表，见下表 10：

4.4 用户节目个性化推荐

通过整理计算得到用户推荐总表，见下表 11，其中有一部分用户的推荐节目相同，是因为与未点播用户相似的点播用户观看的节目相同导致的结果。

5 基于 itemCF 算法的用户画像

5.1 思路分析

针对问题二，需要计算用户推荐观看标签，进行用户画像，所以要先构建用户及产品标签体系。用附件 2 构建产品标签体系及用户标签体系，得到产品数据标签，并对标签进行编号，用附件 3 计算入网时长，为用户贴上新老用户标签，用附件 1 计算每个用户在每个时间段的观看频率，找出频率排名最高的时间段，删除在时间上无明显偏好的用户，为用户贴上时间偏好标签，结合附件 2 整理得到的数据与用户相似度矩阵，得到用户数据标签列表，以及用户标签推荐列表，其思维导图如下图 5-1：

5.2 处理数据

5.3.2 产品数据标签整理

（1）利用附件 2，建立产品标签体系。

1）对于基本特征的语言类，利用附件 2 进行语种划分
2）对于基本特征的电视剧等类别，利用“分类名称”对数据进行预处理
3）对于使用人群，本文做以下分类：
{儿童更加偏好动画、动漫类节目老人更加偏好养生类节目女性更加偏好情感、爱情、文艺类节目男性更加偏好体育、新闻类节目\begin{cases} 儿童更加偏好动画、动漫类节目\\ 老人更加偏好养生类节目\\ 女性更加偏好情感、爱情、文艺类节目\\ 男性更加偏好体育、新闻类节目\\ \end{cases} ⎩⎪⎪⎪⎨⎪⎪⎪⎧儿童更加偏好动画、动漫类节目老人更加偏好养生类节目女性更加偏好情感、爱情、文艺类节目男性更加偏好体育、新闻类节目

将以上标签进行整合，对标签进行编号（如表 12 所示）：

5.3.3 用户数据标签整理

利用附件 1、附件 2、附件 3 建立用户标签体系，共分为观看时间段、收视偏好、入网时间。

（1）观看时间段

划分观看时间段，其划分结果如表 13 所示；

整理附件 1 中各个用户观看时间段，将其整理如下表 14 所示：

计算各个用户在不同时间段观看节目的频率，其结果如表 15 所示 :

计算每个用户在各个时间段观看频率，并且筛选出观看频率对应最高的时间段，其中，本文剔除了最高频率小于 0.5 的用户，因为用户观看时间段的的最高频率小于 0.5，则有理由认为该用户在时间上无偏好，其他用户信息整合如下表16 所示 :

（2）收视偏好

根据附件 2 的节目内容，整理得到用户数据标签

（3）入网时长

根据附件 3 的“入网时间”计算入网时长

{入网时长>2,老用户入网时长<2,新用户\begin{cases} 入网时长>2, 老用户 \\ 入网时长<2, 新用户 \end{cases}{入网时长>2,老用户入网时长<2,新用户

整理得到入网时长的标签。

（4）用户数据标签体系

整理以上信息，得到下表 17：

5.4 营销推荐

（1）根据产品标签体系，对附件 2 中的节目进行标签，得到产品数据标签表（详表见附件）。通过附件 2“来源”项的用户号，建立已标签用户表，并计算每个用户对每个标签的频率，见下表 18：

（2）找出已标签的每个用户标签频率排名第一的标签，见下表 19：

（3）运用公式（10），计算得到标签相似度矩阵，根据 itemCF 算法，进一步得到已标签用户推荐排名 TOP10，见下表 20：

（4）利用用户相似度矩阵表 4，计算并得出与未标签用户相似度排名第一和排名前十的标签用户，排名第一的表是为了方便为附录 3 的用户贴上收视偏好的标签，排名前十是为了给与已标签用户相似的未标签用户推荐标签产品，下表21 仅是排名第一的整理表。

注：此处相似度最高为 2。

（5）根据用户相似度矩阵表 4、已标签用户频率表 19、未标签用户 TOP1 表21，计算得到用户数据标签（详表见附件）。

5.5 结果

运行 Matlab（见附录 6），计算得出推荐结果，其部分数据如表 22 所示：

6 模型评价

6.1 优点

本文很好的利用用户的历史行为，避免共用其他人的经验，避免了内容分析的不完全或不精确，并且能够基于一些复杂的，难以表述的概念（如资讯品质、个人品味）进行过滤，直接后天间接性继承前辈经验。

本文建立了比较完整的用户标签体系。

6.2 缺点

由于过分依赖用户的行为，捕捉新视频，实时热点视频能力较弱（即 Item的冷启动问题）。结果由于依赖其他用户的行为，可解释性不强。有时候会发现推荐了一些用户不可理解的内容，著名的例子就是推荐中的“哈利波特”问题。

7 模型的应用与推广

该模型着重于对用户信息与物品信息的处理，最终归纳总结出用户对物品的偏好，从而对不同的用户推荐不同的物品，不仅如此，还能得到用户与用户兴趣特征的相似度，将兴趣特征相似度较高的用户整合在一起，便于物品的推荐，供应商便可以根据此种方式来规划自己的营销策略。并且本文在频道与节目数据整合的同时加入了权重，提高了为用户推荐节目的精确度，该思想也有一定的借鉴之处。

参考文献

[1]何佳知. 基于内容和协同过滤的混合算法在推荐系统中的应用研究[D]. 东华大学, 2016.

[2]刘青文. 基于协同过滤的推荐算法研究[D]. 中国科学技术大学, 2013.

[3]任品. 基于置信用户偏好模型的电视推荐系统[J]. 现代电子技术, 2014(16):30-33.

[4]万敏. 数据挖掘算法在卫星直播广播电视用户收视行为分析中的应用[C]// 中国新闻技术工作者联合会 2016 年学术年会论文集. 2016.

[5]刘鹏, 王超. 计算广告:互联网商业变现的市场与技术[M]. 人民邮电出版社, 2015.

[6]邓爱林, 朱扬勇,施伯乐. (2003). 基于项目评分预测的协同过滤推荐算法. 软件学报, 14(9).

[7]赵亮, 胡乃静,张守志. (2002). 个性化推荐算法设计. 计算机研究与发展, 39(8), 986-991.

[8]邓爱林, 左子叶,朱扬勇. (2004). 基于项目聚类的协同过滤推荐算法. 小型微型计算机系统, 25(9), 1665-1670.

[9]张光卫, 李德毅, 李鹏, 康建初,陈桂生. (2007). 基于云模型的协同过滤推荐算法(Doctoral dissertation).

[10]刘建国, 周涛, 汪秉宏. (2009). 个性化推荐系统的研究进展. 自然科学进展, 19(1), 1-15.

[11]赵亮, 胡乃静, 张守志. (2002). 个性化推荐算法设计. 计算机研究与发展, 39(8), 986-991.

[12]王国霞, 刘贺平. (2012). 个性化推荐系统综述. 计算机工程与应用, 48(7).

[13]余力, 刘鲁, 李雪峰. (2004). 用户多兴趣下的个性化推荐算法研究. 计算机集成制造系统, 10(12), 1610-1615.

[14]朱岩,林泽楠. (2009). 电子商务中的个性化推荐方法评述. 中国软科学, (2), 183-192.

[15]吴丽花, 刘鲁. (2006). 个性化推荐系统用户建模技术综述. 情报学报, 25(1), 55-62.

[16]闫莺, 王大玲, 于戈. (2005). 支持个性化推荐的 Web 面关联规则挖掘算法. 计算机工程, 31(1), 79-81.

附录 1

%计算用户收视频率
%！！！！导入整理矩阵 A
pin=146;%频道数
yong=1032;%用户数
jian=1;%时间系数
Z=zeros(yong,pin);%初始一个 0 矩阵，用于写入频率
F=A(:,1);%A 的第一列是序号，第二列是用户，第三列是频道序号，第四列是频道
号，第五列是时间
[m,n]=hist(F,unique(F));%F 是用户列
G=[n,m'];%第一列用户，第二列总数
%！！！！先运行前 6 行，得到 G
G1=[0,0;G];%在 G 前加 0 一行，然后在 G1 后加一列总数，得到 G2，导入 G2
yong1=yong+1;
for j=2:yong1d=G2(j-1,3)+1;D=A(d:G2(j,3),1:3);%选出单个用户的观看矩阵h=G1(j,2);f=D(:,2);%f 是频道列[p,q]=hist(f,unique(f));%计算单个用户观看不同频道的频数if size(p)==size(q)%判断该用户是否只观看了一个频道P=[q;p];elseP=[q,p'];endK=size(P);a=size(q);a1=sort(f);%对 f 进行排序if a(1,2)==a1(end)%判断该用户是否只观看了一个频道Z(j-1,a(1,2))=2;%如果是，则该项等于 1elsefor i=1:K(1,1)%如果不是，计算频率g(i,1)=P(i,2)/h;%计算时间shi=0;Shi=sum(D);for ii=1:hif D(ii,2)==P(i,1)shi=shi+D(ii,3);elseendg1(i,1)=shi/Shi(1,3);endZ(j-1,P(i,1))=g(i,1)+jian*g1(i,1);%计入 Z 矩阵相应位置 endend
end
Z=[G(:,1),Z];%加入用户列
Z=[0:pin;Z];%加入频道行

附录 2

%计算用户回看频率
%！！！！导入 H 整理矩阵,第一列用户，第二列频道序号,第三列是时间
pin=57;
yong=46;
jian=1;
z=zeros(yong,pin);%初始一个 0 矩阵，用于写入频率
F=H(:,1);%F 是 H 用户列
[m,n]=hist(F,unique(F));
H1=[n,m'];%各个用户的总数
%！！！！运行前 6 行，得到 H1，利用 H1 加入一列总数，导入 H2
H3=[0,0,0;H2];%H3 的第 1 列是用户列，第 2 列是总数列，第三列是求和列
yong1=yong+1;
for j=2:yong1d=H3(j-1,3)+1;D=H(d:H3(j,3),:);h=H3(j,2);f=D(:,2);[p,q]=hist(f,unique(f));if size(p)==size(q)P=[q;p];elseP=[q,p'];endK=size(P);a=size(q);a1=sort(f);if a(1,2)==a1(end)z(j-1,a(1,2))=2;elsefor i=1:K(1,1)g(i,1)=P(i,2)/h;%计算时间shi=0;Shi=sum(D);for ii=1:hif D(ii,2)==P(i,1)shi=shi+D(ii,3);elseendg1(i,1)=shi/Shi(1,3);endz(j-1,P(i,1))=g(i,1)+jian*g1(i,1);endend
end

附录 3

%用户相似度 计算相似用户排名
%计算用户相似度备注以下
a=1;
pin=146;
yong=1032;
pin1=pin+1;
yong1=yong+1;
n=20;
%S1=(S66+a*S44)/(1+a);
S=S1';
for i=2:pin1for j=1:yongif S(i,j)>0S(i,j)=1;elseendend
end
yonghu=zeros(yong,yong);%用户的相似度矩阵
for i=2:pin1C=S(i,1:yong);for j=1:yongfor p=1:yongif C(1,j)==C(1,p)yonghu(j,p)=yonghu(j,p)+1;yonghu(j,j)=0;elseendendend
end
N=sum(yonghu);
for i=1:yongfor j=1:yongyh(i,j)=yonghu(i,j)/sqrt(N(1,i)*N(1,j));end
end

附录 4

%物品相似度
a=2;%a 是回频率的系数，控制权重
S2=(S6+a*S4)/(1+a);%S6 是收看整理，整理所有用户看其他频道的频率，S4 是回
看整理
S=S2;%整理权重之后的矩阵
Z1=zeros(size(S2));
pin=1464;
yong=402;
n=1;%TOP 的个数
pin1=pin+1;
yong1=yong+1;
for i=1:yongfor j=2:pin1if S(i,j)>0S(i,j)=1;elseendend
end
wupin=zeros(pin,pin);%物品的相似度矩阵
for i=1:yongC=S(i,2:pin1);for j=1:pinfor p=1:pinif C(1,j)==C(1,p)wupin(j,p)=wupin(j,p)+1;wupin(j,j)=0;elseendendend
end
N=sum(wupin);
for i=1:pinfor j=1:pinwp(i,j)=(wupin(i,j)/sqrt(N(1,i)*N(1,j)));end
end
for i=1:yonghu=S2(i,2:pin1);for j=1:pinif hu(1,j)==0wu=wp(:,j);Z1(i,j)=sum(hu*wu);endend
end
Z1=[S(:,1),Z1];
%计算每个用户的 TOP20 sort(A,'descend')对 A 各列降序排列
TOP=[];
for i=1:yongTOP1=Z1(i,:);iii=[i*n,3];TOP2=sort(TOP1,'descend');for j=2:pin1if TOP1(1,j)>=TOP2(1,n+1)TOP=[TOP;TOP1(1,1),j,TOP1(1,j)*1000];if size(TOP)==iiibreakelseendelseendend
end

附录 5

yh1=[S1(:,1),yh];
yh1=[0,S(1,:);yh1];
yh2=yh1;
bbbb=size(OO);
for i=1:bbbb(1,1)for j=2:yong1if yh1(j,1)==OO(i,1)%OO 表示点播用户yh2(j,:)=zeros(1,yong1);elseendend
end
yh2(all(yh2==0,2),:)=[];%删除行
bb1=size(yh2);
OOO=yh2(2:bb1(1,1),1);
yh3=yh2';
yh4=yh3;
for i=1:bb1(1,1)-1for j=2:yong1if yh4(j,1)==OOO(i,1)yh3(j,:)=zeros(1,bb1(1,1));elseendend
end
yh3(all(yh3==0,2),:)=[];
yh3=yh3';
%计算用户相似度最高的，查看该用户的前 top1
top=[];
tt=size(yh3);%tt(1,1)
tt1=tt(1,2);
for i=2:tt(1,1)top1=yh3(i,:);iii=[i*n,3];top2=sort(top1,'descend');for j=2:tt1if top1(1,j)>=top2(1,n+1)top=[top;top1(1,1),yh3(1,j),top1(1,j)*1000];if size(top)==iiibreakelseendelseendend
end

附录 6

%导入 O1=附件 2 的用户列
%导入 ZZ，用户相似度表
%计算附件 1 与附件 2 用户的相似度表
yong=1032;%这里指附件一的用户数
yong1=yong+1;
ZZ1=ZZ;%用户相似度矩阵
bb=size(O1);
for i=1:bb(1,1)%点播用户的数量for j=2:yong1if ZZ(j,1)==O1(i,1)%O1 表示点播用户ZZ1(j,:)=zeros(1,yong1);elseendend
end
ZZ1(all(ZZ1==0,2),:)=[];%删除行
b=size(ZZ1);
O2=ZZ1(2:b(1,1),1);%新的用户列
ZZ2=ZZ1';
ZZ3=ZZ2;
for i=1:b-1for j=2:yong1if ZZ3(j,1)==O2(i,1)ZZ2(j,:)=zeros(1,b(1,1));elseendend
end
ZZ2(all(ZZ2==0,2),:)=[];
ZZ2=ZZ2';
bb4=size(ZZ2);
yong=bb4(1,1)-1;
pin=bb4(1,2)-1;
pin1=pin+1;
n=10;
topp=[];
bbb=size(ZZ2);
Z1=ZZ2(2:bbb(1,1),:);
for i=1:yongtopp1=Z1(i,:);iii=[i*n,3];topp2=sort(topp1,'descend');for j=2:pin1if topp1(1,j)>=topp2(1,n+1)topp=[topp;topp1(1,1),ZZ2(1,j),topp1(1,j)*1000];if size(topp)==iiibreakelseendelseendend
end

基于协同过滤算法为电视产品制订个性化推荐相关推荐

基于协同过滤算法和深度学习的音乐推荐
基于协同过滤算法和深度学习的音乐推荐协同过滤音乐推荐深度学习音乐检索文章目录基于协同过滤算法和深度学习的音乐推荐 Github 地址微信小程序版实现介绍参考项目技术栈 Docker ...
基于协同过滤算法的推荐
2019独角兽企业重金招聘Python工程师标准>>> 基于协同过滤算法的推荐 (本实验选用数据为真实电商脱敏数据,仅用于学习,请勿商用) 数据挖掘的一个经典案例就是尿布与啤酒的例子 ...
基于协同过滤算法的电影推荐系统设计(二) - ALS算法详解
0 系列文章目录 0.1 基于协同过滤算法的电影推荐系统设计(一) - 项目简介 0.2 基于协同过滤算法的电影推荐系统设计(二) - 推荐系统介绍 ALS是alternating least squ ...
springboot java基于协同过滤算法商品推荐系统vue
互时动态更新该页面的 Web 应用 springboot是基于spring的快速开发框架, 相比于原生的spring而言, 它通过大量的java config来避免了大量的xml文件, 只需要简单的生 ...
【机器学习项目实战】Python基于协同过滤算法进行电子商务网站用户行为分析及服务智能推荐
说明:这是一个机器学习实战项目(附带数据+代码+文档+代码讲解),如需数据+代码+文档+代码讲解可以直接到文章最后获取. 1.项目背景电子商务网站数量迅速上升,将电子商务网站浏览者变为实际消费者,满 ...
基于协同过滤算法的书籍推荐毕业设计-附源码101555
摘要 21世纪的今天,随着社会的不断发展与进步,人们对于信息科学化的认识,已由低层次向高层次发展,由原来的感性认识向理性认识提高,管理工作的重要性已逐渐被人们所认识,科学化的管理,使信息存储达到准 ...
（附源码）python+mysql+基于协同过滤算法的书籍推荐毕业设计101555
摘要 21世纪的今天,随着社会的不断发展与进步,人们对于信息科学化的认识,已由低层次向高层次发展,由原来的感性认识向理性认识提高,管理工作的重要性已逐渐被人们所认识,科学化的管理,使信息存储达到准确 ...
基于协同过滤算法的商品推荐购物电商系统
一.介绍商品推荐是针对用户面对海量的商品信息而不知从何下手的一种解决方案,它可以根据用户的喜好,年龄,点击量,购买量以及各种购买行为来为用户推荐合适的商品.在本项目中采用的是基于用户的协同过滤的推荐 ...
【毕业设计_课程设计】基于协同过滤算法的个性化推荐系统（源码+论文）
文章目录 0 项目说明 1 研究目的 2 研究方法 3 系统设计 3.1 前台模块 3.1.1 首页 3.1.2 个人中心 3.1.3 发布者中心 3.2 后台模块 3.2.1 首页 3.2.2 新闻 ...

基于协同过滤算法为电视产品制订个性化推荐