评价函数，这里还是采用RMSE来评价
1#ifndefEVALUATE_H
2#defineEVALUATE_H
3#include<cmath>
4#include<vector>
5usingnamespacestd;
6doubleComputeRMSE(vector<vector<double>>predict，vector<vector<double>>test)
7{
8intCounter=0;
9doublesum=0;
10for(vector<vector<double>>::size_typei=0;i<test.size();++i)
11{
12for(vector<double>::size_typej=0;j<test[0].size();++j)
13{
14if(predict[i][j]&&test[i][j])
15{
16++Counter;
17sum+=pow((test[i][j]-predict[i][j])，2);
18}
19}
20}
21returnsqrt(sum/Counter);
22}
23
24#endif
　　后是主程序
1#include"Evaluate.h"
2#include"ReadAndWriteData.h"
3
4#include<cmath>
5#include<algorithm>
6#include<vector>
7#include<iostream>
8
9usingnamespacestd;
10
11
12doubleInnerProduct(vector<double>A，vector<double>B)//计算两个向量的内积
13{
14doubleres=0;
15for(vector<double>::size_typei=0;i<A.size();++i)
16{
17res+=A[i]*B[i];
18}
19returnres;
20}
21
22template<typenameT>//对矩阵（二维数组）进行转置操作
23vector<vector<T>>Transpose(vector<vector<T>>Matrix)
24{
25unsignedrow=Matrix.size();
26unsignedcol=Matrix[0].size();
27vector<vector<T>>Trans(col，vector<T>(row，0));
28for(unsignedi=0;i<col;++i)
29{
30for(unsignedj=0;j<row;++j)
31{
32Trans[i][j]=Matrix[j][i];
33}
34}
35returnTrans;
36}
37
38vector<vector<double>>BiasedMF(vector<vector<double>>train，doublelr，doublepenalty，
39intmaxItr)
40{
41unsignedrow=train.size();
42unsignedcol=train[0].size();
43//计算全局平均分
44doubleavg=0;
45intCounter=0;
46for(unsignedi=0;i<row;++i)
47{
48for(unsignedj=0;j<col;++j)
49{
50if(train[i][j])
51{
52avg+=train[i][j];
53++Counter;
54}
55}
56}
57avg/=Counter;
58//初始化Items偏置
59vector<double>ItemsBias(col，0);
60vector<vector<double>>Transtrain=Transpose(train);
61for(unsignedi=0;i<col;++i)
62{
63intCounter=0;
64doublesum=0;
65for(unsignedj=0;j<row;++j)
66{
67if(Transtrain[i][j])
68{
69sum+=Transtrain[i][j]-avg;
70++Counter;
71}
72
73}
74ItemsBias[i]=sum/(25+Counter);
75}
76
77//初始化Users偏置
78vector<double>UsersBias(row，0);
79for(unsignedi=0;i<row;++i)
80{
81intCounter=0;
82doublesum=0;
83for(unsignedj=0;j<col;++j)
84{
85if(train[i][j])
86{
87sum+=train[i][j]-avg-ItemsBias[j];
88++Counter;
89}
90}
91UsersBias[i]=sum/(10+Counter);
92}
93
94//初始化Users和Items对应的矩阵
95unsignedk=10;
96vector<vector<double>>predict(row，vector<double>(col，0));
97vector<vector<double>>Users(row，vector<double>(k，0));
98vector<vector<double>>Items(col，vector<double>(k，0));
99
100
101//梯度下降迭代
102doublermse=100;
103intit=0;
104while(it<maxItr)
105{
106for(unsignedi=0;i<row;++i)
107{
108for(unsignedj=0;j<col;++j)
109{
110predict[i][j]=InnerProduct(Users[i]，Items[j])+UsersBias[i]
111+ItemsBias[j];
112}
113}
114doublenew_rmse=ComputeRMSE(predict，train);
115if(new_rmse<rmse)
116rmse=new_rmse;
117cout<<"第"<<it<<"次迭代:"<<endl;
118cout<<"rmseis:"<<rmse<<endl;
119for(unsignedi=0;i<row;++i)
120{
121for(unsignedj=0;j<col;++j)
122{
123if(train[i][j])
124{
125doubleerr=train[i][j]-predict[i][j];
126//更新Useri和Itemj的因子向量
127for(unsignedt=0;t<k;++t)
128{
129doubletmp=Users[i][t];
130Users[i][t]+=lr*(err*Items[j][t]-penalty*Users[i][t]);
131Items[j][t]+=lr*(err*tmp-penalty*Items[j][t]);
132}
133//更新Useri和Itemj的偏差
134doubletmp=UsersBias[i]+ItemsBias[j]-avg;
135UsersBias[i]+=lr*(err-penalty*tmp);
136ItemsBias[j]+=lr*(err-penalty*tmp);
137}
138}
139}
140++it;
141}
142returnpredict;
143}
144
145intmain()
146{
147
148stringFilePath1("E:\Matlabcode\recommendationsystem\data\movielens\train.txt");
149stringFilePath2("E:\Matlabcode\recommendationsystem\data\movielens\test.txt");
150
151introw=943;
152intcol=1682;
153vector<vector<double>>train=txtRead<double>(FilePath1，row，col);
154vector<vector<double>>predict=BiasedMF(train，0.001，0.003，100);
155txtWrite(predict，"predict.txt");
156vector<vector<double>>test=txtRead<double>(FilePath2，462，1591);
157doublermse=ComputeRMSE(predict，test);
158cout<<"ProbeRMSEis"<<rmse<<endl;
159return0;
160}
　　4.运行
　　下面是运行过程中的截图，可以看出运行过程中RMSE逐渐减小，表示与真实的历史评分矩阵差别在减小，由于时间关系没有运行完，根据以前在Matlab上的运行结果，终的RMSE应该可以达到0.92左右，当然这只是在训练集上的RMSE，终效果要测出在测试集上的RMSE，要比上一篇讲到的基于用户的协同过滤好一些，关于用户和Items因子向量的初始化会对结果有一定影响，本文中只是全部初始化为0其实不太好，有兴趣的读者可以自己尝试其他分布函数来初始化，但是总体上不会有什么太大的影响，有什么问题可以联系我。