【推荐系统实战】：C++实现基于用户的协同过滤（UserCollaborativeFilter）

好早的时候就打算写这篇文章，可是还是參加阿里大数据竞赛的第一季三月份的时候实验就完毕了。硬生生是拖到了十一假期。自己也是醉了。。。

找工作不是非常顺利，希望写点东西回想一下知识。然后再攒点人品吧，仅仅能如此了。

一、问题背景

二、基于用户的协同过滤算法介绍

三、数据结构和实验过程设计

四、代码

一、问题背景

首先介绍一下问题的背景。如今我有四个月的用户、品牌数据<user,brand>。即用户在这四个月中的某一天购买了某个品牌（当然为了简化算法模型。将购买时间省去，后面再说）。

即如今有这四个月的数据。怎样为用户推荐他们感兴趣的产品下个月购买？当然解决问题的算法和模型有非常多非常多种。如今就解释一下协同过滤算法。

二、基于用户的协同过滤算法介绍（User Collaborative Filter）

基于邻域的算法是推荐系统中最主要的算法，该算法不仅在学术界得到了深入的研究。并且在工业界也有广泛的应用。

基于邻域的算法分为两大类，一类是基于用户的协同过滤算法。还有一类是基于物品的协同过滤算法。

这里仅仅介绍一种基于用户的协同过滤算法。

在一个在线个性化推荐系统中，当一个用户A须要个性化推荐时，能够先找到和他有相似兴趣的其它用户。然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A。这样的方法称为基于用户的协同过滤算法。

从上面的描写叙述能够看到。基于用户的协同过滤算法主要包含两个步骤：

（1）找到和目标用户相似的用户集合。

（2）找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

步骤1的关键就是计算两个用户的兴趣相似度。

这里，协同过滤算法主要利用行为的相似度计算兴趣的相似度。给定用户u和用户v，令N(u)表示用户u以前有过正反馈的物品集合（在我们的问题背景之下也就是用户u以前买过的物品集合），令N(v)为用户v以前有过正反馈的物品集合。那么。我们能够通过例如以下的Jaccard公式简单的计算u和v的兴趣相似度：

或者通过余弦相似度计算：

对于下图的用户行为记录：

在该例中，用户A对物品{a,b,c}有过行为，用户B对物品{a,c}有过行为，利用余弦相似度公式计算用户A和用户B的兴趣相似度，以及A和C、D的相似度：

那么，假设两两用户都利用余弦相似度计算相似度。

这样的方法的时间复杂度是O(|U|*|U|)，这在用户数非常大的情况下十分耗时。其实。非常多用户相互之间并没有同样的物品产生行为，即非常多时候N(u)和N(v)的交集为0。

那么，一种高效的算法就是首先计算出交集不为0的用户对{u,v}。然后再对这样的情况除以分母|N(u)UN(v)|（或者还有一种根号形式）。

为此。能够首先建立物品到用户的倒查表，对于每一个物品都保存对该物品产生过行为的用户列表。令系数矩阵C[u][v]=|N(u)并N(v)|。那么，如果用户u和用户v同一时候属于倒排表中K个物品相应的用户列表，就有C[u][v]=K。

从而。能够扫描倒查表中每一个物品相应的用户列表，将用户列表中的两两用户相应的C[u][v]加1，终于就能够得到全部用户之间不为0的C[u][v]。

对于上图的用户行为记录建立物品-用户的倒排表：

建立一个4*4的用户相似度矩阵W，对于物品a。将W[A][B]和W[B][A]加1。对于物品b，将W[A][C]和W[C][A]加1，以此类推。

扫描全然部物品后，我们能够得到终于的W矩阵。这里的W是余弦相似度中的分子部分，然后将W除以分母能够得到终于的用户兴趣相似度。

得到用户之间的兴趣相似度后。UserCF算法会给用户推荐和他兴趣最相似的K个用户喜欢的物品。例如以下的公式度量了UserCF算法中用户u对物品i的感兴趣程度：

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbGF2b3Jhbmdl/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">

S(u,K)：包括和用户u兴趣最接近的K个用户。

N(i)：对物品i有过行为的用户集合

Wuv：用户u和用户v的兴趣相似度

Rvi：用户v对物品i的兴趣（这里都为1）

说明：i物品是用户u之前没有接触过的。那么用户u对物品i的感性却程度的计算过程能够分为几个步骤：

①找到与用户u近期的K个用户（通过用户相似度矩阵）

②通过K个用户和N(i)（对物品i有过购买的用户集合）的交集得到K个用户中对i感兴趣的若干用户集合v[]。

③将用户u和集合v[]中每个用户v[i]之间的相似度累加的总和即为用户u对于物品i的感兴趣程度。

三、数据结构和实验过程设计

3.1：输入输出

·input：前三个月用户和用户相应所购买的物品

·output：

1)为每一个用户所推荐的物品

2)依据得到的结果然后和第四个月的数据求得准确率precision和召回率recall

在此介绍一下准确率precision和召回率recall：

准确率： 

注： 

N 为參赛队预測的用户数 

pBrandsi为对用户i 预測他(她)会购买的品牌列表个数 

hitBrandsi对用户i预測的品牌列表与用户i真实购买的品牌交集的个数

召回率： 

注： 

M 为实际产生成交的用户数量 

bBrandsi为用户i 真实购买的品牌个数 

hitBrandsi预測的品牌列表与用户i真实购买的品牌交集的个数

3.2：数据结构设计

map< int,int > userid_id：将userid映射到从0開始的依次递增的数值（id:0~n-1），为兴许映射成矩阵做准备。

map< int,int > id_userid：与userid_id正好相反

map< int , set<int> >  user_brands：用户-物品表：用户以及用户相应购买的物品列表

map< int , set<int> >  id_brands：将user_brands根据userid_id转换成为id_brands

map< int , set<int> >  brand_ids：物品-用户倒排表

set<int> brand_all ：全部品牌的集合

map< int , set<int> >  user_brand_rec ：为用户推荐的品牌集合

dobule sim_mat[MAX][MAX] ：用户之间的相似程度矩阵

3.3：算法过程：

<span style="font-size:14px;">1).读入数据。将数据用user_brands存起来，同一时候建立userid_id，再建立id_brands
2).遍历id_brands得到物品-用户倒排表brand_ids，依据倒排表得到用户的类似矩阵sim_mat
3).为每个用户推荐产品：
    3.1).求用户u买过的brand和全部brand的差集得到用户u没有买过的物品集合brand_unused；
    3.2).用户u对每个没用过的物品i的兴趣p(u,i)：
        3.2.1).找到与用户u近期的k个用户
        对于每个没用过的物品i：
        3.2.2).找出这k个用户中对物品i有过行为的用户v[]√
        3.2.3).将用户u和v[j]的兴趣类似度累加
    3.3).取前m个最感兴趣的brand推荐给用户；</span>

四、代码

UCF.cc（用户协同过滤核心代码）：

#include<iostream>
#include<fstream>
#include<stdio.h>
#include<map>
#include<set>
#include<vector>
#include<cstdlib>
#include<cmath>
#include<cstring>
#include<algorithm>

using namespace std;

const int MAX = 1000;

class UserCF
{
private:
        int k , m ; //k: the most k persons interested in the brand i ; m : choose the former m brands which user u are most interested in
		map< int,int > userid_id;
		map< int,int > id_userid;
		map< int,set<int> > user_brands;
		map< int,set<int> > id_brands;
		map< int,set<int> > brand_ids;
		set<int> brand_all;
		map< int,set<int> > user_brand_rec;
		ifstream fin;
		ofstream fout;
		double sim_mat[MAX][MAX];
		typedef struct sim_idx
		{
			double sim;
			int idx;
			bool operator > (const sim_idx &other) const
			{
				return sim > other.sim;
			}
		}sim_idx;
		typedef struct brand_interest
		{
			double Int; // Int = interest
			int brand;
			bool operator > (const brand_interest &other) const
			{
				return Int > other.Int;
			}
		}brand_interest;

public:
        UserCF(int _k , int _m):k(_k),m(_m)
		{
			fin.open("user_brand_m123.txt");
			fout.open("rec_result_by_m123.txt");
			if(!fin||!fout)
			{
				cout<<"can not open the file"<<endl;
				exit(1);
			}

			//userid_id , id_userid , user_brands , brand_all
			int userid,brandid,i=0;
			while(fin>>userid>>brandid)
			{
				if( user_brands[userid].empty() )
				{
					userid_id[userid] = i;
					id_userid[i] = userid;
					i++;
				}
				user_brands[userid].insert(brandid);
				brand_all.insert(brandid);
			}

			//id_brands
			map< int,set<int> > :: iterator it = user_brands.begin();
			while( it!=user_brands.end() )
			{
				id_brands[ userid_id[it->first] ] = it->second;
				it++;
			}
			bzero(sim_mat,0);
		}

		void get_sim_mat()
		{
			get_reverse_table();
			map< int,set<int> > :: iterator it = brand_ids.begin();
			while(it!=brand_ids.end())
			{
				vector<int> tmp( it->second.begin(),it->second.end() );
				int len = tmp.size();
				//for each brand , traverse all two pair users , sim_mat increment
				for(int i=0;i<len;i++)
					for(int j=i+1;j<len;j++)
					{
						sim_mat[ tmp[i] ][ tmp[j] ]+=1;
						sim_mat[ tmp[j] ][ tmp[i] ]+=1;
					}
					it++;
			}

			int len = id_userid.size();
			for(int i=0;i<len;i++)
				for(int j=0;j<len;j++)
				{
					sim_mat[i][j] /= sqrt( user_brands[ id_userid[i] ].size() * user_brands[ id_userid[j] ].size()  );
					sim_mat[j][i] = sim_mat[i][j];
				}
			cout<<endl;
		}

		//brand_ids - brand : userid1,userid2,userid3...
		void get_reverse_table()
		{
			map< int,set<int> > :: iterator it = id_brands.begin();
			while( it!=id_brands.end() )
			{
				set<int> tmp = it->second;
				set<int> :: iterator it2 = tmp.begin();
				while(it2!=tmp.end())
				{
					brand_ids[*it2].insert(it->first);
					it2++;
				}
				it++;
			}
		}

		set<int> get_rec_brand_set_by_user(int userid)
		{
			//3.1
			set<int> brand_unused;
			/* set_difference:find different set between two set
			 * function : get brand set that userid has never bought before
			 */
			set_difference(brand_all.begin(),brand_all.end(),user_brands[userid].begin(),user_brands[userid].end(),inserter( brand_unused , brand_unused.begin() ) );	

			sim_idx simidx;
			vector<sim_idx> vec_sim_idx;
			int len = userid_id.size();
			int id = userid_id[userid];
			for(int i=0;i<len;i++)
			{
				simidx.sim=sim_mat[id][i];
				simidx.idx=i;
				vec_sim_idx.push_back(simidx);
			}
			sort( vec_sim_idx.begin(),vec_sim_idx.end(),greater<sim_idx>() ); //order by desc

			//3.2.1
			set<int> rec_ids;
			vector<sim_idx> :: iterator it = vec_sim_idx.begin();
			for(int i=0;i<k;i++)
			{
				rec_ids.insert( (*it).idx );
				it++;
			}

			set<int> rec_brand;
			set<int> :: iterator itt = brand_unused.begin();
			vector<brand_interest> vec_bi; //userid's interest level toward brand
			brand_interest bi;
			while( itt!=brand_unused.end() )
			{
				//3.2.2
				vector<int> newset; // or set<int> newset
				set<int> ids = brand_ids[*itt];
				set_intersection(rec_ids.begin(),rec_ids.end(),ids.begin(),ids.end(),inserter( newset,newset.begin() ));
				if(newset.empty())
				{
					itt++;
					continue;
				}
				double interest = 0.0;
				int len = newset.size();
				for(int i=0;i<len;i++)
				{
					interest += sim_mat[ userid_id[userid] ][ newset[i] ];
				}
				//3.2.3
				bi.brand = *itt;
				bi.Int = interest;
				vec_bi.push_back(bi);
				itt++;
			}//while
                        //sort(vec_bi.begin(),vec_bi.end(),greater<brand_interest>() );//感谢@chenyadong的改动建议。这行代码要进行加入
			//3.3
			for(int i=0;i<m&&i<vec_bi.size();i++)
			{
				rec_brand.insert(vec_bi[i].brand);
			}

			return rec_brand;

		}

		void recommend()
		{
			map< int,int > :: iterator it = userid_id.begin();
			while( it!=userid_id.end() )
			{
				user_brand_rec[it->first] = get_rec_brand_set_by_user(it->first);
				it++;
			}
		}//recommend

		void print()
		{
			//write recommendation result <user,brand> to file
			map< int,set<int> > :: iterator it = user_brand_rec.begin();
			while( it!=user_brand_rec.end() )
			{
				set<int> tmp = it->second;
				set<int> :: iterator it2 = tmp.begin();
				while(it2!=tmp.end())
				{
					fout<<it->first<<" "<<*it2<<endl;
					it2++;
				}
				it++;
			}

		}//print

		~UserCF()
		{
			userid_id.clear();
			user_brands.clear();
			id_brands.clear();
			brand_ids.clear();
			brand_all.clear();
			user_brand_rec.clear();
			fin.close();
			fout.close();
		}

}; 

int main(int argc , char *argv[])
{
    if(argc!=3)
    {
        cout<<"Usage : ./a.out k m"<<endl;
        exit(1);
    }
    int k = atoi(argv[1]) ;
    int m = atoi(argv[2]) ;

    UserCF ucf(k,m);
	ucf.get_sim_mat();
	ucf.recommend();
#if 1
    ucf.print();
#endif
    return 0;
}

cal_precision_recall.cc（计算准确率和召回率代码）：

#include<iostream>
#include<fstream>
#include<map>
#include<set>
#include<algorithm>

using namespace std;

int main()
{
	ifstream fin , fin1;
	fin.open("rec_result_by_m123.txt");
	fin1.open("user_brand_m4.txt");
	if(!fin||!fin1)
	{
		cout<<"can not open file"<<endl;
		exit(1);
	}

	map< int,set<int> > fore_user_brands; //recommendation result
	map< int,set<int> > real_user_brands; //real result

	int user , brand;
	while(fin>>user>>brand)
	{
		fore_user_brands[user].insert(brand);
	}
	while(fin1>>user>>brand)
	{
		real_user_brands[user].insert(brand);
	}

	double precision = 0 , recall = 0;
	double fore_total_brand = 0;
	double real_total_brand = 0;
	double intersection = 0;
	double F = 0;

	map< int,set<int> > :: iterator it = fore_user_brands.begin();
	map< int,set<int> > :: iterator itt = real_user_brands.begin();
	while(it!=fore_user_brands.end())
	{
		fore_total_brand += (it->second).size();
		it++;
	}
	while(itt!=real_user_brands.end())
	{
		real_total_brand += (itt->second).size();
		itt++;
	}

	it = fore_user_brands.begin();
	while(it!=fore_user_brands.end())
	{
		set<int> fore , real , newset;
		fore = it->second;
		real = real_user_brands[it->first];
		//set_intersection:get intersection of two sets
		set_intersection(fore.begin(),fore.end(),real.begin(),real.end(),inserter(newset,newset.begin()));
		intersection += newset.size();
		if(newset.size()!=0)
		{
			set<int> :: iterator itnew = newset.begin();
			cout<<"user : "<<it->first<<" brand : ";
			while(itnew!=newset.end())
			{
				cout<<*itnew<<" ";
				itnew++;
			}
			cout<<endl;
		}
		it++;
	}

	precision = intersection/fore_total_brand;
	recall = intersection/real_total_brand;
	F = (2*precision*recall)/(precision+recall);
	cout<<"fore_total_brand = "<<fore_total_brand<<endl;
	cout<<"real_total_brand = "<<real_total_brand<<endl;
	cout<<"intersection = "<<intersection<<endl;
	cout<<"precision = "<<precision<<endl;
	cout<<"recall = "<<recall<<endl;
	cout<<"F = "<<F<<endl;

	return 0;
}

makefile：

target:
		g++ UCF.cc
		./a.out  5  5
		g++  cal_precision_recall.cc
		./a.out

clean:
		rm result.txt a.out

实验结果：

k=5，m=5（k即对某个品牌最感兴趣的前k个人。m即推荐给用户的前m个品牌）：

在改变k和m的值情况下得到的结果。可见F值并没有太大的改变。

可见协同过滤这个算法对于这个问题背景并非非常适用，效果非常差。因此要依据不同的业务来选择什么样的模型和算法。这个还须要不断的学习。

源码以及数据：http://pan.baidu.com/s/1c1VU1K

UCF临时就介绍到这里，当然这个算法还有非常多能够改进的，比方在计算用户相似度的时候能够加上时间上的因素，还有惩处用户u和用户v共同兴趣列表中热门物品对他们相似度的影响等。

參考资料：

1.《推荐系统实战》

2.www.cplusplus.com

Author：忆之独秀

Email：leaguenew@qq.com

转载注明出处：http://blog.csdn.net/lavorange/article/details/22584373