R语言数据挖掘实践——电影推荐系统综合实例（二）

R语言数据挖掘实践——电影推荐系统综合实例（二）

我们结合movieLens数据集，对User-based kNN进行实现，Item-based kNN同理可得。首先，我们来简要说明

本次应用User-based kNN算法探究MovieLens数据集的整体思路。

目的：预测某位用户（其用户ID记为U0）对某部电影（其电影ID记为M0）的评分。

步骤1：选择用户U0已经给出评分的若干电影，假设选择n部，并获取其电影ID，记为M1~Mn；

步骤2：再找出对电影M0已经进行过评分的用户，假设有m位符合得用户，并获取其用户ID，记为U1~Um；

步骤3：利用以上获取的三组ID，构造训练集data_train和训练集data_test，结构如下图：

步骤4：将相应的训练集与测试集按顺序放入knn()函数，即可预测出用户U0对电影M0的评分值。

数据集信息

下面我们使用R语言来实现，首先要做的就是读取数据和查看数据基本信息，代码如下：

>#读取数据

>data <- read.table(\"ml-100k/u.data\")

>#删除其中不需要使用的第4列，即时间戳（timestamp）变量

> data <- data[,-4]

>#命名data的各变量名

> names(data) <- c(\"userid\

> head(data)

userid itemid rating

1 196 242 3

2 186 302 3

3 22 377 1

4 244 51 2

5 166 346 1

6 298 474 4

>#显示维度

> dim(data)

[1] 100000 3

从输出结果看，我们知道该数据集data共有3个变量，正如上一章介绍的，分别为用户ID、电影ID，及评分，且共计10万条数据。

MovieLens_KNN函数的输入输出

为了使程序可反复使用，我们来动手编写一个专门用于实现“预测某位用户U0对某部电影M0评分值”的函数——MovieLens_KNN()。

下面先展示出函数的参数设置及运行结果，有一个输入到输出的直观印象后，我们再来逐步讲解实现这一过程的函数代码。

> MovieLens_KNN(Userid=1,Itemid=61,n=50,K=10)

......

$`True Rating:`

[1] 4

$`Predict Rating:`

[1] 3

Levels: 1 2 3 4 5

$`User ID:`

[1] 1

$`Item ID:`

[1] 61

如上，我们首先来看4个参数，其中Userid为想要预测的那位用户的ID，即U0；Itemid为想要预测的电影ID，即M0；而n为我们想要选择的用户U0已给出评分电影的个数；K为kNN算法中参与判别最近邻样本的个数。

上面的输出结果就是有Userid=1，Itemid=61，n=50，K=10的参数设置得到的，即以预测用户1对电影61的评分为目的，且选择了50部用户1已给出评分的电影，K的值为10。

现在来看输出结果，其有data_all，True Rating、Predict Rating、User ID及Item ID这5项。其中data_all是根据原数据文件u.data以及参数设定值在函数中新构造的数据集，它的结构与上面图片中的结构是一直的。第一行数据为待评分用户，这里即为用户1的用户ID（userid）、对待评分电影61的实际评分值（unknown_itemid_61）以及对电影94（itemid_94）、40（itemid_40）等50部电影的评分值。从第二行起到最后，为对电影61已经评分的m位用户的相应信息，而这里的m即为58。最终放入knn()函数中的训练集、测试集都来自该data_all数据集。按照图中的表结构划分所得。

而True Rating、Predict Rating则分别存放了待预测评分值的真实值和knn()函数所得的预测值，在上面的一次实现中，两者都为4，即预测值与真实值相同，用户1对电影61的评分是4分，是比较喜欢的。

MovieLens_KNN函数的编写

我们首先将各参数单独设定如下，然后逐步查看函数各部分的输出结果。

>Userid=1;Itemid=61;n=50;K=10

接着最重要的就是给出函数的名称MovieLens_KNN，及各参数名称和输入顺序，代码如下：

MovieLens_KNN <- function(Userid,Itemid,n,K){

#所有代码逻辑在这里继续

}

我们先执行整体思路的步骤1，来分别获取U0、M0及M1-Mn。对于程序代码，我们得到sub，表示待预测用户U0在数据集中各条信息所在的行标签；sub_n表示随机抽出的n个U0已评分电影M1-Mn的行标签；known_itemid表示U0已评分电影M1-Mn的电影ID；unknown_itemid表示待预测电影M0的ID号。

>#获取待预测用户U0在数据集中各条信息所在的行标签，存于sub

> sub <- which(data$userid==Userid)

> #获取随机抽出的n个U0已评分电影M1-Mn的行标签，存于sub_n

> if(length(sub) >=n) sub_n <- sample(sub,n)

> if(length(sub) < n) sub_n <- sample(sub, length(sub))

> #获取U0已评分电影M1-Mn的电影ID

> known_itemid <- data$itemid[sub_n]

> #获取待预测电影M0的ID号

> unknown_itemid <- Itemid

然后执行步骤2，找出已经对电影M0做出评分的古董用户，即前面所说的U1-Um，在程序中，我们将这m位用户的ID存于user中。

> #获取已评价电影M0的用户ID，存于user

> unknown_sub <- which(data$itemid==unknown_itemid)

> user <- data$userid[unknown_sub[-1]]

接着，我们开始构造最重要的data_all数据集。

> #设置data.all的行数、列数，所有值暂取0

> data_all <- matrix(0,1+length(user),2+length(known_itemid))

> data_all <- data.frame(data_all)

> #对data.all的各变量进行命名

> names(data_all) <-

c(\"userid\

> item <- c(unknown_itemid,known_itemid)

> #对data.all中的userid变量赋值

> data_all$userid <- c(Userid,user)

基本框架有了之后，最重要的就是对data_all数据集的主体部分进行赋值，这里通过

两层循环实现。

考虑到并不是我们所选出的对电影M0已评分的m位用户都对M1-Mn这n部电影同样做出了评分，即data_all中部分数据很可能是缺失的。因此，需要加一条判断语句，仅对data_all中有对应取值的位置赋值，缺失的位置则取0。

> #对data_all按行进行外层循环

>for(i in 1:nrow(data_all)) {

+ data_temp <- data[which(data$userid==data_all$userid[i]),]

+ #对data_all按列进行内层循环

+ for(j in 1:length(item)) {

+ #判断该位置是否有取值

+ if(sum(as.numeric(data_temp$itemid==item[j])) !=0) {

+ data_all[i,j+1] <- data_temp$rating[which(data_temp$itemid==item[j])]

+ }

+ }

+ }

然后根据data_all，从中分割出用于knn()参数设置的训练集与测试集。

> #获取测试集的已知部分

> data_test_x <- data_all[1,c(-1,-2)]

> #获取测试集的待预测值

> data_test_y <- data_all[1,2]

> #获取训练集的已知部分

> data_train_x <- data_all[-1,c(-1,-2)]

> #获取训练集的待预测值

> data_train_y <- data_all[-1,2]

> dim(data_test_x)

> length(data_test_y)

> dim(data_train_x)

> length(data_train_y)

最后，就是将相应部分一一放入knn()函数中，并将MovieLens_KNN()中参数K的值赋给knn()中的参数k。

> #进行knn判别

> fit <- knn(data_train_x,data_test_x,cl=data_train_y,k=K)

> #设置各项输出结果

> list(\"data_all:\"=data_all,\"True Rating:\"=data_test_y,\"Predict Rating:\"=fit,\"User ID:\"=Userid,\"Item ID:\"=Itemid)

至此，函数编写完毕，每次运行仅需以MovieLens_KNN (Userid,Itemid,n,K)格式给出4个参数的取值即可得到相应的结果。

下面，我们简单利用MovieLens_KNN()函数来看一看用户1对电影1至电影20这20部电影的评分情况。

通过u.item文件，我们知道这20部电影依次为Toy Story（玩具总动员）、GoldenEye（黄金眼）、Four Rooms（疯狂终结者）等。

> user1<-NULL

> for(Item in 1:20){

+ user1 <- c(user1, MovieLens_KNN(Userid=1,Itemid=Item, n=50, K=10)$'True Rating:')

> }

> user1

[1] 5 3 4 3 3 5 4 1 5 3 2 5 5 5 5 5 3 4 5 4

运行结果，我们预测出了对这20部电影，用户1可能给出的评分情况，且由下面这条代码，我们知道该用户喜欢第1、6、9、12、13~16、19这9部电影。

> which(user1==5)

[1] 1 6 9 12 13 14 15 16 19

另外，MovieLens_KNN()函数仅是出于最简单直观的方式实现了运用kNN原理对数据集MovieLens进行探究。我们也可以将u.item及u.user文件纳入考虑，比如加入用户的北京变量（性别、年龄）、电影的北京变量（类型、上映年份）等；又或者在结果形式上更优，输出某用户所偏好的背景信息，如下载地址、相关电影推荐等项目。