基于用户的协同过滤推荐算法的matlab代码

基于用户的协同过滤推荐算法是一种推荐系统算法，它通过分析用户之间的相似性来做出推荐。这种算法的核心思想是，如果用户A和用户B在过去对一些项（如电影、商品等）的评分非常相似，那么用户A可能会对用户B喜欢的其他项感兴趣。

在MATLAB中实现基于用户的协同过滤算法，大致步骤如下：

1. 收集用户评分数据，构建用户-项目评分矩阵。
2. 计算用户之间的相似度，常用的相似度计算方法有余弦相似度、皮尔逊相关系数等。
3. 根据相似度，为每个目标用户找出最相似的若干个邻居用户。
4. 利用邻居用户的评分信息，通过加权平均等方式预测目标用户对未评分项目的可能评分。
5. 根据预测的评分给出推荐。

以下是一个简化的MATLAB代码示例，用于说明基于用户的协同过滤算法的基本逻辑：

% 假设 ratings 是一个用户-项目评分矩阵，每一行代表一个用户，每一列代表一个项目
% 初始化参数和变量
numUsers = size(ratings, 1);
numItems = size(ratings, 2);
userSimilarity = zeros(numUsers, numUsers); % 存储用户相似度矩阵
neighborUsers = []; % 存储邻居用户矩阵
predictions = zeros(numUsers, numItems); % 存储预测评分矩阵

% 计算用户之间的相似度
for i = 1:numUsers
    for j = 1:numUsers
        if i ~= j
            % 计算用户i和用户j之间的相似度
            userSimilarity(i, j) = cosineSim(ratings(i, :), ratings(j, :)); % cosineSim是余弦相似度函数
        end
    end
end

% 选择相似度最高的K个邻居用户
K = 10; % 假设我们选择10个最相似的用户作为邻居
for i = 1:numUsers
    [simVec, idx] = sort(userSimilarity(i, :), 'descend');
    neighborUsers(i, :) = idx(2:K+1); % 排除自身，选择前K个用户作为邻居
end

% 预测评分
for i = 1:numUsers
    for j = 1:numItems
        if ratings(i, j) == 0 % 如果用户i没有对项目j评分
            % 计算预测评分
            simSum = 0;
            weightedRatings = 0;
            for k = 1:K
                neighbor = neighborUsers(i, k);
                sim = userSimilarity(i, neighbor);
                simSum = simSum + sim;
                weightedRatings = weightedRatings + sim * ratings(neighbor, j);
            end
            predictions(i, j) = weightedRatings / simSum;
        else
            predictions(i, j) = ratings(i, j); % 如果已经有评分，则直接使用
        end
    end
end

% 根据预测评分进行推荐
% ...

% 余弦相似度函数示例
function sim = cosineSim(userRatings1, userRatings2)
    % 去除未评分项
    commonItems = ~isnan(userRatings1) & ~isnan(userRatings2);
    if sum(commonItems) == 0
        sim = 0;
        return;
    end
    % 计算余弦相似度
    numerator = dot(userRatings1(commonItems), userRatings2(commonItems));
    denominator = norm(userRatings1(commonItems)) * norm(userRatings2(commonItems));
    sim = numerator / denominator;
end

注意：这段代码仅提供了一个实现思路的框架，实际应用中需要根据具体问题对数据进行预处理，并优化计算效率和结果的准确性。