注:
1. 數據集來源MovieLens
2. 源代碼在末尾附上
一、Introduction
無論是在實體商店還是在網絡上，都會有Top-N推薦的情況。基於客戶或者基於商品做出推薦。本實驗基於Movielens的電影數據集，對電影做出Top-N 推薦。主要目的是基於Item-Based的思想來進行Top-10的相關電影推薦。
二、Methodology
本實驗基於Item-Based 的思路，計算電影的相似度，對每部電影都生成一個它與其他電影的相似度的序列（按順序排列），然後從中得到Top-10的電影來作爲該部電影的相關推薦電影集。在MovieLens中的數據格式如下：
1::Toy Story (1995)::Animation|Children's|Comedy
1：表示電影ID； Toy Story(1995)表示電影名 ；Animation|Children’s|Comedy ：表示標籤
因此可以用一個向量表來表示該電影的信息：
附註： 0 表示電影沒有該標籤 ， 1 表示電影有該標籤
對每一部電影，計算它與其他電影的相似度，生成一個相似度的有序序列。N部電影生成N個有序序列，因此對每一部電影都有一個單獨的推薦列表。
三、Trading Algorithm
Item-Based：
首先生成一個電影的信息矩陣(N*M)，然後對於每一個部電影，使用相似度計算的公式，將該電影與其餘N-1部電影做相似計算，然後再對相似度進行排序，推薦前Top-10的電影。相似度：
公式：
本實驗採用的是Cosine相似度：
- 原理：多維空間兩點與所設定的點形成夾角的餘弦值。
- 範圍：【-1，1】，值越大，說明夾角越小，兩點相距越近，相似度就越高。
- 說明：Cosine相似度被廣泛應用於計算文檔的數據的相似度，本實驗是基於標籤的電影推薦，因此採用了該公式來計算兩個電影之間標籤集的相似度，以此來代表兩部電影的相似度。
TF-IDF算法（計算某個標籤對於該電影的權重）
由於MovieLens裏面的Movie數據只給出了電影的標籤（如下），但是並沒有給出該標籤用戶的點擊量，因此無法對該標籤在本電影中的權重進行計算。因此，本實驗沒有用TF-IDF計算詞頻，確定標籤權重的步驟。
四、Result
爲了驗證結果，將電影的信息和相似度打印出來。
在這裏我們隨機選取了三部電影，將其電影的Top-10推薦以及它的相似度打印出來，以便分析比較。
Movie1:
Movie2:
Movie3:
五、Conclusion
結果證明，對於每一部電影，都輸出了一個推薦序列，而且按照相似度排列的Top-N推薦。列如， 電影1：它的標籤是 Action|Adventrue|Romance ，在它的Top-10推薦列表中，按照相似度從大到小推薦。
- 本實驗存在一個問題：
有些電影其推薦列表的電影相似度全部都是1,，如電影2 GoldenEye ,其標籤爲：Action|Adventure|Thiriller ，推薦列表中的電影標籤與其完全相同，這是不太符合實際的。 - 原因
主要問題在於MovieLens數據集中並沒有對每一個標籤的點擊量進行說明，無法通過TF-IDF算法計算標籤在電影中的權重，但是實際情況下，每一部電影的標籤都會有一個點擊量，作爲該標籤與該電影相關程度的反映。因此對於一部電影，它的某一個標籤的權重無法衡量，因此不能區分出某一個標籤在一部電影當中的權重，在計算的時候每一個標籤的權重都相同，導致了擁有相同標籤的電影其相似100%。 - 解決方案
每一部電影的標籤都會有一個點擊量，通過IF-IDF算法計算其權重，作爲該標籤與該電影相關程度的反映。用以區分出某一個標籤在一部電影當中的權重，在計算的時候每一個標籤的權重各有不同，那麼便不會出現上述的問題。
總體來說，本實驗基於item-based思想，通過相似度計算，生成電影的top-N 推薦序列。雖然數據上存在一些問題，但是總體上還是完成了推薦的目的。