1 #ifndef EVALUATE_H
2 #define EVALUATE_H
3 #include <cmath>
4 #include <vector>
5
6 double ComputeRMSE(vector<vector<double> > predict， vector<vector<double> > test)
7 {
8     int Counter = 0;
9     double sum = 0;
10     for (vector<vector<double> >::size_type i = 0; i < test.size(); ++i)
11     {
12         for (vector<double>::size_type j = 0; j < test[0].size(); ++j)
13         {
14             if (predict[i][j] && test[i][j])
15             {
16                 ++Counter;
17                 sum += pow((test[i][j] - predict[i][j])， 2);
18             }
19         }
20     }
21     return sqrt(sum / Counter);
22 }
23
24 #endif
　　后给出主函数：
1 #include "load.h"
2 #include "evaluate.h"
3 #include <vector>
4 #include <string>
5 #include <cmath>
6 #include <assert.h>
7 using namespace std;
8
9 double norm(vector<double> A)
10 {
11     double res = 0;
12     for(vector<double>::size_type i = 0; i < A.size(); ++i)
13     {
14         res += pow(A[i]， 2);
15     }
16     return sqrt(res);
17 }
18
19 double InnerProduct(vector<double> A， vector<double> B)
20 {
21     double res = 0;
22     for(vector<double>::size_type i = 0; i < A.size(); ++i)
23     {
24         res += A[i] * B[i];
25     }
26     return res;
27 }
28
29 double ComputeSim(vector<double> A， vector<double> B， int method)
30 {
31     switch (method)
32     {
33     case 0://欧氏距离
34         {
35             vector<double> C;
36             for(vector<double>::size_type i = 0; i < A.size(); ++i)
37             {
38                 C.push_back((A[i] - B[i]));
39             }
40             return 1 / (1 + norm(C));
41             break;
42         }
43     case 1://皮尔逊相关系数
44         {
45             double A_mean = 0;
46             double B_mean = 0;
47             for(vector<double>::size_type i = 0; i < A.size(); ++i)
48             {
49                 A_mean += A[i];
50                 B_mean += B[i];
51             }
52             A_mean /= A.size();
53             B_mean /= B.size();
54             vector<double> C(A);
55             vector<double> D(B);
56             for(vector<double>::size_type i = 0; i < A.size(); ++i)
57             {
58                 C[i] = A[i] - A_mean;
59                 D[i] = B[i] - B_mean;
60             }
61             assert(norm(C) * norm(D));
62             return InnerProduct(C，D) / (norm(C) * norm(D));
63             break;
64         }
65     case 2:
66         {
67             assert(norm(A) * norm(B));
68             return InnerProduct(A，B) / (norm(A) * norm(B));
69             break;
70         }
71     default:
72         {
73             cout << " Choose method:" << endl;
74             cout << "0:欧氏距离 1:皮尔逊相关系数 2:余弦相似度 ";
75             return -1;
76         }
77     }
78
79 }
80
81 void FindCommon(vector<double> A， vector<double> B， vector<double> &C， vector<double> &D)
82 {
83     for(vector<double>::size_type i = 0; i < A.size(); ++i)
84     {
85         if (A[i] && B[i])
86         {
87             C.push_back(A[i]);
88             D.push_back(B[i]);
89         }
90     }
91 }
92
93
94 vector<vector<double> > UserBasedCF(vector<vector<double> > train， int usersNum， int itemsNum)
95 {
96     vector<vector<double> > predict(usersNum， vector<double>(itemsNum， 0));
97     for (int i = 0; i < usersNum; ++i) //对每个用户进行预测
98     {
99         //找出user i未评分的item j，预测user i 对item j的评分
100         for (int j = 0; j < itemsNum; ++j)
101         {
102
103
104             if (train[i][j])
105                 continue;
106             //如果item j没有被user i评过分，找出对 item j评过分的用户
107             else
108             {
109                 vector<double> sim;
110                 vector<double> historyScores;
111                 for (int k = 0; k < usersNum; ++k)
112                 {
113                     //如果user k对item j 评过分，计算user k与user i的相似度
114
115                     if (train[k][j])//找出对item j 评过分的user k
116                     {
117                         // 为了计算user k与user i的相似度，必须找出二者共同评过分的items
118                         // 把二者对共同评过分的items的评分分别存储在两个vector中
119                         vector<double> commonA，commonB;
120                         FindCommon(train[i]， train[k]， commonA， commonB);
121                         //如果二者存在共同评过分的items，计算相似度
122                         if (!commonA.empty())
123                         {
124                             sim.push_back(ComputeSim(commonA， commonB， 2));
125                             // 把user k对item j 的历史评分记录下来
126                             historyScores.push_back(train[k][j]);
127                         }
128                     }
129
130                 }
131                 // 计算出所有与user i存在共同评过分的items的users与user i之间的相似度，
132                 // 保存在sim中，这些users对目标items j(即user i没有评过分)的历史评分记
133                 // 录在historyScores中。利用这两个vector，计算出相似度加权平均分作为预
134                 // 测user i对item j的评分
135                 double SimSum = 0;
136                 if (!sim.empty())
137                 {
138                     for(vector<double>::size_type m = 0; m < sim.size(); ++m)
139                     {
140                         SimSum += sim[m];
141                     }
142                 predict[i][j] = InnerProduct(sim， historyScores) / (SimSum);
143                 cout << "User "<< i << " 对第 " << j << " 个Item的评分为 " << predict[i][j] << endl;
144                 }
145             }
146         }
147     }
148     return predict;
149 }
150
151 int main()
152 {
153     string FilePath1("E:\Matlab code\recommendation system\data\movielens\train.txt");
154     string FilePath2("E:\Matlab code\recommendation system\data\movielens\test.txt");
155
156     int row = 943;
157     int col = 1682;
158     vector<vector<double> > train = txtRead<double>(FilePath1， row， col);
159     vector<vector<double> > predict = UserBasedCF(train， row， col);
160     txtWrite(predict， "predict.txt");
161     vector<vector<double> > test = txtRead<double>(FilePath2， 462， 1591);
162     double rmse = ComputeRMSE(predict，test);
163     cout << "RMSE is " << rmse <<endl;
164     return 0;
165 }