Linux开发C++的协同过滤算法

协同过滤（Collaborative Filtering，CF）是一种推荐系统算法，主要基于用户的历史行为（如评分、购买记录等）来预测和推荐他们可能感兴趣的项目

以下是一个简单的Linux环境下C++实现的协同过滤算法示例：

1. 首先，创建一个名为matrix.txt的文件，用于存储用户评分数据。每行表示一个用户对一个项目的评分，用空格分隔。例如：

1 5 3
2 4 0
1 3 4
2 1 5
3 5 0

2. 创建一个名为collaborative_filtering.cpp的C++文件，并添加以下代码：

#include <iostream>
#include <fstream>
#include <vector>
#include <map>
#include <cmath>
#include <algorithm>

using namespace std;

// 读取评分数据
vector<vector<int>> read_ratings(const string& filename) {
    vector<vector<int>> ratings;
    ifstream file(filename);
    int user, item, rating;
    while (file >> user >> item >> rating) {
        ratings.push_back({user - 1, item - 1, rating});
    }
    return ratings;
}

// 计算相似度矩阵
vector<vector<double>> calculate_similarity_matrix(const vector<vector<int>>& ratings) {
    int n = ratings.size();
    vector<vector<double>> similarity_matrix(n, vector<double>(n, 0));

    for (int i = 0; i < n; ++i) {
        for (int j = 0; j < n; ++j) {
            if (i == j) {
                similarity_matrix[i][j] = 1.0;
            } else {
                double sum = 0.0;
                int count = 0;
                for (const auto& rating : ratings) {
                    if (rating[i] != 0 && rating[j] != 0) {
                        sum += rating[i] * rating[j];
                        count++;
                    }
                }
                similarity_matrix[i][j] = sum / count;
            }
        }
    }

    return similarity_matrix;
}

// 基于用户的协同过滤推荐
vector<int> user_based_collaborative_filtering(const vector<vector<int>>& ratings, const vector<vector<double>>& similarity_matrix, int user_id, int top_n = 5) {
    vector<int> recommendations;
    int n = ratings.size();

    for (int i = 0; i < n; ++i) {
        if (i != user_id) {
            double similarity = similarity_matrix[user_id - 1][i - 1];
            for (int j = 0; j < ratings[i].size(); ++j) {
                if (ratings[user_id - 1][j] != 0 && ratings[i][j] != 0) {
                    recommendations.push_back({i + 1, j + 1, ratings[i][j] * similarity});
                }
            }
        }
    }

    sort(recommendations.begin(), recommendations.end(), [](const auto& a, const auto& b) {
        return a[2] > b[2];
    });

    recommendations.resize(top_n);
    return recommendations;
}

int main() {
    vector<vector<int>> ratings = read_ratings("matrix.txt");
    vector<vector<double>> similarity_matrix = calculate_similarity_matrix(ratings);

    int user_id = 1; // 假设我们要为用户1生成推荐
    vector<int> recommendations = user_based_collaborative_filtering(ratings, similarity_matrix, user_id);

    cout << "Recommendations for user " << user_id << ":" << endl;
    for (const auto& recommendation : recommendations) {
        cout << "(" << recommendation[0] << ", " << recommendation[1] << "): " << recommendation[2] << endl;
    }

    return 0;
}

3. 编译并运行代码：

g++ collaborative_filtering.cpp -o collaborative_filtering -lm
./collaborative_filtering

这个示例中，我们首先读取评分数据并计算相似度矩阵。然后，基于用户的协同过滤算法生成推荐列表。最后，我们为用户1生成推荐并输出结果。

请注意，这个示例仅用于演示目的，实际应用中可能需要对算法进行优化和调整。例如，可以使用矩阵分解、隐语义模型等技术来提高推荐质量。