评分系统是一种常见的推荐系统。

现在使用R语言基于协同过滤算法来构建一个电影评分预测模型。

一，前提准备


1.R语言包：ggplot2包（绘图），

                    recommenderlab包， 

                    reshape包（数据处理）

install.packages("recommenderlab")
install.packages("reshape")
install.packages("ggplot2")
library(recommenderlab)
library(reshape)
library(ggplot2)

2.获取数据：大家可以在明尼苏达州大学的社会化计算研究中心官网上面下载这些免费数据集，网站链接为http://grouplens.org/datasets/movielens/。

               或者：链接：https://pan.baidu.com/s/1o8mlt8Y 密码：bkyu

数据说明：

这个数据集包括：*来自943个用户的1682个电影的10万个评级（1-5）。 *每个用户已经评价至少20部电影。 *为用户提供简单的人口统计信息（年龄，性别，职业，邮编）

数据文件的详细描述
==============================================


这里是对数据的简要描述。


ml-data.tar.gz  - 压缩的tar文件。要重建u数据文件，请执行以下操作：
gunzip ml-data.tar.gz
tar xvf ml-data.tar
mku.sh


u.data  - 完整的u数据集，由1682个项目的943个用户的100000个评分。
每个用户已经评价至少20部电影。用户和项目是
从1开始连续编号。数据是随机的
订购。这是一个制表符分隔的列表
         用户ID | item id | 评级| 时间戳。
时间戳是自1970年1月1日以来的unix秒   

u.info  -  u数据集中的用户数，项目数和评分。
u.item  - 有关物品（电影）的信息; 这是一个选项卡分开
列表
电影ID | 电影标题| 发布日期| 视频发布日期|
IMDb URL | 未知| 行动| 冒险| 动画|
儿童| 喜剧| 犯罪| 纪录片| 戏剧| 幻想|
电影黑色| 恐怖| 音乐| 神秘| 浪漫| 科幻|
惊悚| 战争| 西方|
最后19个字段是流派，1个表示电影
是那种类型，一个0表示它不是; 电影可以在
几个流派一次。
电影ID是在u.data数据集中使用的。
u.genre  - 流派的列表。
u.user  - 关于用户的人口统计信息; 这是一个选项卡
分隔列表
用户ID | 年龄| 性别| 职业| 邮政编码
用户ID是u.data数据集中使用的ID。
u.occupation  - 职业列表。
u1.base  - 数据集u1.base和u1.test通过u5.base和u5.test
u1.test将u数据的80％/ 20％分解为训练和测试数据。
u2.base u1，...，u5中的每一个都有不相交的测试集; 这个如果是
u2.test 5倍交叉验证（在这里你重复你的实验
u3.base与每个训练和测试集合并且平均结果）。
u3.test这些数据集可以从u.data通过mku.sh生成。
u4.base
u4.test
u5.base
u5.test
ua.base  - 数据集ua.base，ua.test，ub.base和ub.test
ua.test将u数据分成一个训练集和一个测试集
ub.base在测试集中每个用户只有10个评级。套
ub.test ua.test和ub.test是不相交的。这些数据集可以
由u.data由mku.sh生成。
allbut.pl  - 生成训练和测试集的脚本
训练数据中除了n个用户评分之外都是如此。
mku.sh  - 用于从u.data生成所有u数据集的shell脚本。

这里包含了数据集和数据说明，该数据集是由943位用户对1682部电影的一个评分，每个评分值为1，2，3，4，5。关于数据信息，在数据说明里面有详细的说明，这里就不再赘述。

二，数据处理

如果数据在当前的工作目录，那么我们就可以在下面的代码里面直接输入数据名称，即u.data。当数据不在当前工作目录下的时候，我们就可以通过输入路径来读取数据。

mydata<-read.table("F:\\聊天记录\\ml-100k\\ml-100k\\u.data",header = FALSE,stringsAsFactors = TRUE) #读取数据

代码里面的stringsAsFactors = TRUE表示表中的所有列都不是因子，是数值型数据。

第一列为用户ID，第二列电影ID，第三列是评分，第四列是用户评分的时间。这些在数据介绍中都要介绍。用户的评论时间对我们的分析没有用处，因此我们可以删掉这一列。

mydata<-mydata[,-4]

现在这份数据集只有三列。

使用ggplot2分析用户对电影的评分结果。

要使用饼图来展现出结果，这样可以很好的展现评分列的分布特点。

ggplot(mydata,x=V3,aes(x=factor(1),fill=factor(V3)))+geom_bar(width = 1)+coord_polar(theta="y")+ggtitle("评分分布图")+labs(x="",y="")+guides(fill=guide_legend(title = '评分分数'))

由图可知，评分为一分，两分的特别少，用户给出三分，四分的比较多，占了三分之二多。当一个新电影的评分低于3.5分时，差不多就失去了一半的用户。使用reshape包对数据进行处理，生成一个v1*v2，v3值的填充矩阵。

mydata<-cast(mydata,V1~V2,value="V3") #生成一个以v1为行，v2为列的矩阵，使用v3进行填充
mydata<-mydata[,-1] #第一列数字为序列，可以删除

这个时候，mydata有两个属性值cast_df 和data.frame，想要了解更多关于cast_df，可以查看下面这个网址：https://www.r-statistics.com/tag/cast_df/ 。我们要将mydata属性改为数据框，其中cast_df是不能直接转换为matrix的，因此需要去掉这个类属性，只保留data.frame。

class(mydata)<-"data.frame"

接下来，我们仍要对数据进行处理，使之转换成recommenderlab包可以处理的realRatingMatrix属性。在下面，我们首先将mydata转化为一个矩阵，然后使用as()函数，进行强制类型转换，达到了我们要的结果。我们还需要给我每列数据命名，否则后面建模会出现报错

mydata<-as.matrix(mydata)
mydata<-as(mydata,"realRatingMatrix")  
#生成一个943*1682realRatingMatrix类型的矩阵，包括了100000条记录 
colnames(mydata)<-paste0("M",1:1682,sep="")

三，建立模型
在recommenderlab包里面，针对realRatingMatrix数据类型，总共提供了6种模型，分别是：基于项目协同过滤（IBCF）， 主成分分析（PCA）， 基于流行度推荐（POPULAR）,随机推荐（RANDOM）,奇异值分解（SVD），基于用户协同过滤算法（UBCF）。

协同过滤主要有两个步骤：

①依据目标用户的已知电影评分找到与目标用户观影风格相似的用户群。

②计算该用户群对其他电影的评分，并作为目标用户的预测评分。


这份数据是943位用户对1682部电影的一个评分，但每个人不可能将这些电影全都看完，而且不可能对所有看过的电影进行评分，因此我们我们刚刚生成的评分矩阵是一个非常稀疏，而且含有许多缺失值的矩阵。但这些并不影响协同过滤的工作效果。所以我们选择了协同过滤来建立我们的模型。

mydata.model <- Recommender( mydata[1:929], method = "UBCF")
mydata.predict <- predict(mydata.model,mydata[930:933], type="ratings")
#预测
as(mydata.predict,"matrix")[1:4,1:6]
mydata.predict2 <- predict( mydata.model,  mydata[801:803], n=6 )

            预测 1

             M1       M2       M3       M4       M5       M6
930       NA 2.968254 2.968254 2.980104 3.004498 2.968254
931 3.671341 3.721311 3.721311 3.707807 3.722510 3.721311
932       NA 3.966805 4.012919 3.966805 3.966805 3.966805
933       NA 2.646739 2.687907       NA 2.646739 2.646739

            预测2

$`801`
[1] "M50"  "M174" "M173" "M1"   "M172" "M100"


$`802`
[1] "M285" "M100" "M14"  "M127" "M137" "M475"


$`803`
[1] "M56"  "M174" "M318" "M127" "M100" "M479"

用户对M1 M2 M3 M4 M5 M6的预测评分，评分基本都在3—4分之间，与之前我们分析结果相同。我们也可以给用户推荐电影，我们可以使用predict()函数，只需要给修改一下参数就行。