基于协同过滤算法为电视产品制订个性化推荐

1 绪论

1.1 背景

在互联网技术日益发展和进步的时代，各种数据呈现井喷式增长状态，仅2017 年“双十一”天猫旗下购买物品所产生的交易额最终定格在 1682 亿元，其中，无线成交额就占据了 90 个百分点。这部分数据十分庞大，但对于当今大数据时代所产生的数据总和来说，却只不过是冰山一角。并且互联网的发展还不仅局限于购物，它已经渗透到了生活的各个方面。那么，该如何在这海量的数据中为用户找到并推荐有价值的信息，这一问题已成为当今大数据时代面临的一个重大挑战。

协同过滤（Collaborative Filtering）是现今推荐系统中应协同过滤用最为成熟的一个推荐算法系类，它利用兴趣相投、拥有共同经验之群体的喜好来推荐使用者感兴趣的资讯，个人透过合作的机制给予资讯相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选资讯。

有优点就有缺点，缺点主要体现在:由于依赖用户的行为，捕捉新视频，实时热点视频能力较弱（即 Item 的冷启动问题）；结果由于依赖其他用户的行为，可解释性不强。有时候会发现推荐了一些用户不可理解的内容，著名的例子就是推荐中的“哈利波特”问题。运营编辑人员无法显性的干预推荐结果，对于强媒体属性的公司，这种支持强干预、抗风险能力是必须的。

1.2 问题重述

问题一：产品精准营销推荐

利用附件 1 中的收视回看信息及点播信息中的用户行为，分析用户的收视偏好。例如喜欢看哪一类的节目，家中成员有哪些，然后为附件 2 的产品进行分类打包推荐。

问题二：相似用户的电视产品打包推荐

构建用户标签体系和产品标签体系，对相似偏好用户进行分类，为用户贴上标签；对产品进行分类，为产品推荐标签；为每一位用户生成个性化的产品营销推荐方案。

1.3 问题分析

针对问题一，通过观察发现，附件 1 中的四个子表格中，表 1、表 2 是用户频道数据，表 3、表 4，是用户节目数据，所以可以对其分为两类进行处理。

（1）对于表 1、表 2，首先分别计算用户对于每个频道的观看频率，然后对时间数据进行加权，最后整合得到初始数据。其次，利用协同过滤的 userCF 算法，得到用户间的相似度矩阵。

（2）对于表 3、表 4，先对节目进行预处理。对于点播金额和观看时间分别加权，计算用户观看节目的总频率表。然后采用 itemCF 算法，得到每个节目间的相似度矩阵。

（3）根据节目相似度，计算点播用户的节目推荐列表，再根据用户相似度，计算未点播用户的相似推荐列表。

针对问题二，需要为用户推荐节目观看类型标签，进行用户画像，所以要先构建用户及产品标签体系。具体的求解步骤如下：

（1）用附件 2 构建产品标签体系及用户标签体系，得到产品数据标签，并对标签进行编号。

（2）用附件 3 计算入网时长，为用户贴上新老用户标签。

（3）用附件 1 计算每个用户在每个时间段的观看频率，找出频率排名最高的时间段，删除在时间上无明显偏好的用户，为用户贴上时间偏好标签。

（4）结合附件 2 整理得到的数据与用户相似度矩阵，得到用户数据标签列表，以及用户标签推荐列表。

2 模型假设

（1）假设用户观看或回看时长不足 5 分钟的数据，为无效数据。

（2）假设时间段观看的最高频率小于 0.5 的用户，为无明显偏好用户。

（3）假设用户的偏好不改变。

3 符号说明

4 基于 userCF 算法的用户节目推荐

4.1 思路分析

通过观察发现，附件 1 中的四个表中，分别有用户和频道数据、用户和节目数据，两类数据。对于表 1、表 2，先分别计算各自的观看频率，然后进行整合，利用协同过滤的 userCF 算法，计算用户间的相似度矩阵。对于表 3、表 4，先对节目进行预处理，计算用户观看节目的总频率表，运用 itemCF 算法，计算节目相似度。根据节目相似度，计算点播用户的节目推荐列表，再根据用户相似度，计算未点播用户的相似推荐列表，然后同理计算附件 2，得到总的节目推荐表，其思维导图如下图 4-1：

注：表 1 指用户收视信息表，表 2 指用户回看信息表，表 3 指用户点播信息表，表 4 指用户单片点播信息表。

4.2 整理数据

4.2.1 用户和频道信息数据处理

观察原始数据发现附件 1 给出的频道号有断层，所以本文对其进行了重新编号（详表见附件 1）。计算出用户收看节目的时长，计算出时间频率，并删除掉收看时长小于或等于 5 分钟的数据，其公式如下：

$$F_t=\frac{T_t^{\prime }}{T}$$

(1)

注： $F_t$表示时间频率， $T_t^{\prime }$表示该用户观看该节的总时间， $T$表示该用户观看节目的总时间。

运用 Matlab 分别计算用户收视频率表 1（代码见附录 1）、用户回看频率表 2（代码见附录 2）：

$$F_w(F_r^{\prime })=\frac{W_c^{\prime }}{W_c}$$

(2)

$$F_v(F_r)=F_w(F_r^{\prime })+F_t$$

(3)

注：$W_c$表示该用户观看节目的总次数， $W_c^{\prime }$表示该用户观看该节目的总次数， $F_v$表示收视频率， $F_r$表示回看总频率， $F_w$表示观看频率， $F_r^{\prime }$表示回看频率，$F_t$表示时间频率。

根据经验可以知道，当一个人认为某个频道好看时，就会多次返回观看，所以，本文将表 1 和表 2 整合为一个表，其计算公式如下：

$$P_s=\frac{F_v+a{F}_r^{\prime }}{a+1}$$

(4)

注：$F_v$表示收视频率，$F_t^{\prime }$表示回看频率，$P_s$表示用户观看频道总频率，$a$表示权重。

在本文中令a=1，整理得到下表 3：

4.2.2 计算用户相似度

在协同过滤中两个用户产生相似度是因为他们共同喜欢同一个物品，两个用户相似度越高，说明这两个用户共同喜欢的物品很多。假设每个用户的兴趣都局限在某几个方面，因此如果两个用户都喜欢某一个物品，那么这两个用户可能就很相似，而如果两个用户喜欢的物品大多都相同，那么他们就可能属于同一类，因而有很大的相似度。其计算公式如下：

$$W_{uv}=\frac{|N(u)\bigcap N(v)|}{\sqrt{|N(u)N(v)|}}$$

(5)

注：$|N(u)|$是用户$u$喜欢的物品集合， $|N(v)|$是用户$v$喜欢的物品集合,$|N(u)\bigcap N(v)|$
是用户$u$ 和$v$同时喜欢的物品集合。

通过运行 Matlab（代码见附录 3），得到用户相似度矩阵，见下表 4。

4.2.3 用户和点播信息数据处理

首先，将同一个用户观看的多个相同的节目整合为一个节目，待整合完毕后，对节目依次进行编号（详表见附件）。其次，计算出用户收看节目的时长，计算出时间频率，并删除掉收看时长不足 5 分钟的数据（注：计算时间频率公式如（1）所示）。然后，对于用户点播信息中的数据，计算点播金额比例：
$$P=\frac{M^{\prime }}{M}$$

(6)

注：$P$ 表示点播金额比例，$M$表示该用户观看节目总金额， $M^{\prime }$表示该用户观看该节目总金额。

运用 matlab，分别计算单片点播总频率表 5 与单片点播总频率表 6，其中

$$F_d^{\prime }(D^{\prime })=\frac{D_c^{\prime }}{D_c}$$

(7)

$$D(F_d)=D^{\prime }(c)+P(F_t)$$

(8)

注： $F_d^{\prime }$表示单片点播频率，$D^{\prime }$表示点播频率，$D_c^{\prime }$表示该用户在该节目点播总次数，$D_c$表示该用户点播节目总次数，$F_d$ 表示单片点播总频率， $F_d^{\prime }$表示单片点播频率, $P$表示点播金额比例，$D^{\prime }$表示点播频率，$D$表示点播总频率。

最后，将单片点播总频率与单片点播总频率整合为一体，其公式如下：

$$P_s^{\prime }=\frac{F_d+a{F}_d^{\prime }}{a+1}$$

(9)

注：$F_d$表示单片点播总频率，$F_d^{\prime }$表示单片点播频率，$a$表示权重，$P{s}^{\prime }$表示用户观看节目总频。由于用户在点播时是需要购买观看的，所以在本文中a=2。

4.3 协同过滤推荐算法

4.3.1 点播用户推荐

（1）计算物品相似度

在协同过滤中两个物品产生相似度是因为它们共同被很多用户喜欢，两个物品相似度越高，说明这两个物品共同被很多人喜欢。假设每个用户的兴趣都局限在某几个方面，因此如果两个物品属于一个用户的兴趣列表，那么这两个物品可能就属于有限的几个领域，而如果两个物品属于很多用户的兴趣列表，那么它们就可能属于同一个领域，因而有很大的相似度。其计算公式如下：

$$W_{ij}=\frac{|N(i)\bigcap N(j)|}{\sqrt{|N(i)N(j)|}}$$

(10)

注：$|N(i)|$是喜欢物品$i$的用户数， $|N(v)|$是喜欢物品$j$的用户数,$|N(i)\bigcap N(j)|$
是同时喜欢物品$i$和物品的$j$用户数。

得到节目相似度矩阵，见下表 7：

（2）生成推荐列表

ItemCF 通过如下公式计算用户 $u$ 对一个物品 $j$ 的兴趣：

$$P_{uj}=\sum _{i\in N(u)\bigcap S(i,j)}{W}_{ji}{R}_{ui}$$

(11)

注：其中$P_{uj}$表示用户$u$对物品$j$的兴趣，$N(u)$表示用户喜欢的物品集合，$S(i,k)$表示和物品$i$最相似的$k$个物品集合，$W_{ji}$表示物品$j$ 和$i$的相似度，$P_{ui}$表示用户$u$对物品$i$的兴趣。

由上式可以看出，和用户历史上感兴趣的物品越相似的物品，越有可能在用户的推荐列表中获得比较高的排名，运行 Matlab（见附录 4），根据上表 7，利用了协同过滤算法原理生成了每个用户的相邻矩阵，即可以得到与每个用户喜好程度最为接近的前 20 位用户的信息，以此生成点播用户推荐表，见下表 8：

4.3.2 非点播用户推荐

由于在附件 1 的用户收视信息、用户回看信息表中的收视用户、回看用户并不全是点播用户。所以，本文考虑，利用用户收视信息、用户回看信息表得出用户相似度矩阵表 4，来为未点播用户推荐节目。

（1）计算点播用户观看频率最高的节目。

（2）计算未点播用户推荐频率，其公式如下：

$$G=\frac{S+T}{2}$$

注：$G$表示推荐系数，$S$表示相似度，$T$表示点播用户观看得节目的最高的频率。

通过计算得到未点播用户推荐列表，见下表 9：

4.3.3 附件 2 节目整理

运用同样的方法，将附件 2 中用户看过的节目推荐给附件 1 中用户看过的节目，通过整理得到附件 2 节目推荐表，见下表 10：

4.4 用户节目个性化推荐

通过整理计算得到用户推荐总表，见下表 11，其中有一部分用户的推荐节目相同，是因为与未点播用户相似的点播用户观看的节目相同导致的结果。

5 基于 itemCF 算法的用户画像

5.1 思路分析

针对问题二，需要计算用户推荐观看标签，进行用户画像，所以要先构建用户及产品标签体系。用附件 2 构建产品标签体系及用户标签体系，得到产品数据标签，并对标签进行编号，用附件 3 计算入网时长，为用户贴上新老用户标签，用附件 1 计算每个用户在每个时间段的观看频率，找出频率排名最高的时间段，删除在时间上无明显偏好的用户，为用户贴上时间偏好标签，结合附件 2 整理得到的数据与用户相似度矩阵，得到用户数据标签列表，以及用户标签推荐列表，其思维导图如下图 5-1：

5.2 处理数据

5.3.2 产品数据标签整理

（1）利用附件 2，建立产品标签体系。

1）对于基本特征的语言类，利用附件 2 进行语种划分
2）对于基本特征的电视剧等类别，利用“分类名称”对数据进行预处理
3）对于使用人群，本文做以下分类：
$$\{\begin{array}{l}儿童更加偏好动画、动漫类节目\\ 老人更加偏好养生类节目\\ 女性更加偏好情感、爱情、文艺类节目\\ 男性更加偏好体育、新闻类节目\end{array}$$

将以上标签进行整合，对标签进行编号（如表 12 所示）：

5.3.3 用户数据标签整理

利用附件 1、附件 2、附件 3 建立用户标签体系，共分为观看时间段、收视偏好、入网时间。

（1）观看时间段

划分观看时间段，其划分结果如表 13 所示；

整理附件 1 中各个用户观看时间段，将其整理如下表 14 所示：

计算各个用户在不同时间段观看节目的频率，其结果如表 15 所示 :

计算每个用户在各个时间段观看频率，并且筛选出观看频率对应最高的时间段，其中，本文剔除了最高频率小于 0.5 的用户，因为用户观看时间段的的最高频率小于 0.5，则有理由认为该用户在时间上无偏好，其他用户信息整合如下表16 所示 :

（2）收视偏好

根据附件 2 的节目内容，整理得到用户数据标签

（3）入网时长

根据附件 3 的“入网时间”计算入网时长

$$\{\begin{array}{l}入网时长>2,老用户\\ 入网时长<2,新用户\end{array}$$

整理得到入网时长的标签。

（4）用户数据标签体系

整理以上信息，得到下表 17：

5.4 营销推荐

（1）根据产品标签体系，对附件 2 中的节目进行标签，得到产品数据标签表（详表见附件）。通过附件 2“来源”项的用户号，建立已标签用户表，并计算每个用户对每个标签的频率，见下表 18：

（2）找出已标签的每个用户标签频率排名第一的标签，见下表 19：

（3）运用公式（10），计算得到标签相似度矩阵，根据 itemCF 算法，进一步得到已标签用户推荐排名 TOP10，见下表 20：

（4）利用用户相似度矩阵表 4，计算并得出与未标签用户相似度排名第一和排名前十的标签用户，排名第一的表是为了方便为附录 3 的用户贴上收视偏好的标签，排名前十是为了给与已标签用户相似的未标签用户推荐标签产品，下表21 仅是排名第一的整理表。

注：此处相似度最高为 2。

（5）根据用户相似度矩阵表 4、已标签用户频率表 19、未标签用户 TOP1 表21，计算得到用户数据标签（详表见附件）。

5.5 结果

运行 Matlab（见附录 6），计算得出推荐结果，其部分数据如表 22 所示：

6 模型评价

6.1 优点

本文很好的利用用户的历史行为，避免共用其他人的经验，避免了内容分析的不完全或不精确，并且能够基于一些复杂的，难以表述的概念（如资讯品质、个人品味）进行过滤，直接后天间接性继承前辈经验。

本文建立了比较完整的用户标签体系。

6.2 缺点

由于过分依赖用户的行为，捕捉新视频，实时热点视频能力较弱（即 Item的冷启动问题）。结果由于依赖其他用户的行为，可解释性不强。有时候会发现推荐了一些用户不可理解的内容，著名的例子就是推荐中的“哈利波特”问题。

7 模型的应用与推广

该模型着重于对用户信息与物品信息的处理，最终归纳总结出用户对物品的偏好，从而对不同的用户推荐不同的物品，不仅如此，还能得到用户与用户兴趣特征的相似度，将兴趣特征相似度较高的用户整合在一起，便于物品的推荐，供应商便可以根据此种方式来规划自己的营销策略。并且本文在频道与节目数据整合的同时加入了权重，提高了为用户推荐节目的精确度，该思想也有一定的借鉴之处。

参考文献

[1]何佳知. 基于内容和协同过滤的混合算法在推荐系统中的应用研究[D]. 东华大学, 2016.

[2]刘青文. 基于协同过滤的推荐算法研究[D]. 中国科学技术大学, 2013.

[3]任品. 基于置信用户偏好模型的电视推荐系统[J]. 现代电子技术, 2014(16):30-33.

[4]万敏. 数据挖掘算法在卫星直播广播电视用户收视行为分析中的应用[C]// 中国新闻技术工作者联合会 2016 年学术年会论文集. 2016.

[5]刘鹏, 王超. 计算广告:互联网商业变现的市场与技术[M]. 人民邮电出版社, 2015.

[6]邓爱林, 朱扬勇,施伯乐. (2003). 基于项目评分预测的协同过滤推荐算法. 软件学报, 14(9).

[7]赵亮, 胡乃静,张守志. (2002). 个性化推荐算法设计. 计算机研究与发展, 39(8), 986-991.

[8]邓爱林, 左子叶,朱扬勇. (2004). 基于项目聚类的协同过滤推荐算法. 小型微型计算机系统, 25(9), 1665-1670.

[9]张光卫, 李德毅, 李鹏, 康建初,陈桂生. (2007). 基于云模型的协同过滤推荐算法(Doctoral dissertation).

[10]刘建国, 周涛, 汪秉宏. (2009). 个性化推荐系统的研究进展. 自然科学进展, 19(1), 1-15.

[11]赵亮, 胡乃静, 张守志. (2002). 个性化推荐算法设计. 计算机研究与发展, 39(8), 986-991.

[12]王国霞, 刘贺平. (2012). 个性化推荐系统综述. 计算机工程与应用, 48(7).

[13]余力, 刘鲁, 李雪峰. (2004). 用户多兴趣下的个性化推荐算法研究. 计算机集成制造系统, 10(12), 1610-1615.

[14]朱岩,林泽楠. (2009). 电子商务中的个性化推荐方法评述. 中国软科学, (2), 183-192.

[15]吴丽花, 刘鲁. (2006). 个性化推荐系统用户建模技术综述. 情报学报, 25(1), 55-62.

[16]闫莺, 王大玲, 于戈. (2005). 支持个性化推荐的 Web 面关联规则挖掘算法. 计算机工程, 31(1), 79-81.

附录 1

%计算用户收视频率
%！！！！导入整理矩阵 A
pin=146;%频道数
yong=1032;%用户数
jian=1;%时间系数
Z=zeros(yong,pin);%初始一个 0 矩阵，用于写入频率
F=A(:,1);%A 的第一列是序号，第二列是用户，第三列是频道序号，第四列是频道
号，第五列是时间
[m,n]=hist(F,unique(F));%F 是用户列
G=[n,m'];%第一列用户，第二列总数
%！！！！先运行前 6 行，得到 G
G1=[0,0;G];%在 G 前加 0 一行，然后在 G1 后加一列总数，得到 G2，导入 G2
yong1=yong+1;
for j=2:yong1
 d=G2(j-1,3)+1;
 D=A(d:G2(j,3),1:3);%选出单个用户的观看矩阵
 h=G1(j,2);
 f=D(:,2);%f 是频道列
 [p,q]=hist(f,unique(f));%计算单个用户观看不同频道的频数
 if size(p)==size(q)%判断该用户是否只观看了一个频道
 P=[q;p];
 else
 P=[q,p'];
 end
 K=size(P);
 a=size(q);
 a1=sort(f);%对 f 进行排序
 if a(1,2)==a1(end)%判断该用户是否只观看了一个频道
 Z(j-1,a(1,2))=2;%如果是，则该项等于 1
 else
 for i=1:K(1,1)%如果不是，计算频率
 g(i,1)=P(i,2)/h;
 %计算时间
 shi=0;
 Shi=sum(D);
 for ii=1:h
 if D(ii,2)==P(i,1)
 shi=shi+D(ii,3);
 else
 end
 g1(i,1)=shi/Shi(1,3);
 end
 Z(j-1,P(i,1))=g(i,1)+jian*g1(i,1);%计入 Z 矩阵相应位置 
 end
 end
end
Z=[G(:,1),Z];%加入用户列
Z=[0:pin;Z];%加入频道行

附录 2

%计算用户回看频率
%！！！！导入 H 整理矩阵,第一列用户，第二列频道序号,第三列是时间
pin=57;
yong=46;
jian=1;
z=zeros(yong,pin);%初始一个 0 矩阵，用于写入频率
F=H(:,1);%F 是 H 用户列
[m,n]=hist(F,unique(F));
H1=[n,m'];%各个用户的总数
%！！！！运行前 6 行，得到 H1，利用 H1 加入一列总数，导入 H2
H3=[0,0,0;H2];%H3 的第 1 列是用户列，第 2 列是总数列，第三列是求和列
yong1=yong+1;
for j=2:yong1
 d=H3(j-1,3)+1;
 D=H(d:H3(j,3),:);
 h=H3(j,2);
 f=D(:,2);
 [p,q]=hist(f,unique(f));
 if size(p)==size(q)
 P=[q;p];
 else
 P=[q,p'];
 end
 K=size(P);
 a=size(q);
 a1=sort(f);
 if a(1,2)==a1(end)
 z(j-1,a(1,2))=2;
 else
 for i=1:K(1,1)
 g(i,1)=P(i,2)/h;
 
 %计算时间
 shi=0;
 Shi=sum(D);
 for ii=1:h
 if D(ii,2)==P(i,1)
 shi=shi+D(ii,3);
 else
 end
 g1(i,1)=shi/Shi(1,3);
 end
 z(j-1,P(i,1))=g(i,1)+jian*g1(i,1);
 end
 end
end

附录 3

%用户相似度 计算相似用户排名
%计算用户相似度备注以下
a=1;
pin=146;
yong=1032;
pin1=pin+1;
yong1=yong+1;
n=20;
%S1=(S66+a*S44)/(1+a);
S=S1';
for i=2:pin1
 for j=1:yong
 if S(i,j)>0
 S(i,j)=1;
 else
 
 end
 end
end
yonghu=zeros(yong,yong);%用户的相似度矩阵
for i=2:pin1
 C=S(i,1:yong);
 for j=1:yong
 for p=1:yong
 if C(1,j)==C(1,p)
 yonghu(j,p)=yonghu(j,p)+1;
 yonghu(j,j)=0;
 else
 end
 end
 end
end
N=sum(yonghu);
for i=1:yong
 for j=1:yong
 yh(i,j)=yonghu(i,j)/sqrt(N(1,i)*N(1,j));
 end
end

附录 4

%物品相似度
a=2;%a 是回频率的系数，控制权重
S2=(S6+a*S4)/(1+a);%S6 是收看整理，整理所有用户看其他频道的频率，S4 是回
看整理
S=S2;%整理权重之后的矩阵
Z1=zeros(size(S2));
pin=1464;
yong=402;
n=1;%TOP 的个数
pin1=pin+1;
yong1=yong+1;
for i=1:yong
 for j=2:pin1
 if S(i,j)>0
 S(i,j)=1;
 else
 
 end
 end
end
wupin=zeros(pin,pin);%物品的相似度矩阵
for i=1:yong
 C=S(i,2:pin1);
 for j=1:pin
 for p=1:pin
 if C(1,j)==C(1,p)
 wupin(j,p)=wupin(j,p)+1;
 wupin(j,j)=0;
 else
 end
 end
 end
end
N=sum(wupin);
for i=1:pin
 for j=1:pin
 wp(i,j)=(wupin(i,j)/sqrt(N(1,i)*N(1,j)));
 end
end
for i=1:yong
 hu=S2(i,2:pin1);
 for j=1:pin
 if hu(1,j)==0
 wu=wp(:,j);
 Z1(i,j)=sum(hu*wu);
 end
 end
end
Z1=[S(:,1),Z1];
%计算每个用户的 TOP20 sort(A,'descend')对 A 各列降序排列
TOP=[];
for i=1:yong
 TOP1=Z1(i,:);
 iii=[i*n,3];
 TOP2=sort(TOP1,'descend');
 for j=2:pin1
 if TOP1(1,j)>=TOP2(1,n+1)
 TOP=[TOP;TOP1(1,1),j,TOP1(1,j)*1000];
 if size(TOP)==iii
 break
 else
 end
 else
 end
 end
end

附录 5

yh1=[S1(:,1),yh];
yh1=[0,S(1,:);yh1];
yh2=yh1;
bbbb=size(OO);
for i=1:bbbb(1,1)
 for j=2:yong1
 if yh1(j,1)==OO(i,1)%OO 表示点播用户
 yh2(j,:)=zeros(1,yong1);
 else
 end
 end
end
yh2(all(yh2==0,2),:)=[];%删除行
bb1=size(yh2);
OOO=yh2(2:bb1(1,1),1);
yh3=yh2';
yh4=yh3;
for i=1:bb1(1,1)-1
 for j=2:yong1
 if yh4(j,1)==OOO(i,1)
 yh3(j,:)=zeros(1,bb1(1,1));
 else
 end
 end
end
yh3(all(yh3==0,2),:)=[];
yh3=yh3';
%计算用户相似度最高的，查看该用户的前 top1
top=[];
tt=size(yh3);%tt(1,1)
tt1=tt(1,2);
for i=2:tt(1,1)
 top1=yh3(i,:);
 iii=[i*n,3];
 top2=sort(top1,'descend');
 for j=2:tt1
 if top1(1,j)>=top2(1,n+1)
 top=[top;top1(1,1),yh3(1,j),top1(1,j)*1000];
 if size(top)==iii
 break
 else
 end
 else
 end
 end
end

附录 6

%导入 O1=附件 2 的用户列
%导入 ZZ，用户相似度表
%计算附件 1 与附件 2 用户的相似度表
yong=1032;%这里指附件一的用户数
yong1=yong+1;
ZZ1=ZZ;%用户相似度矩阵
bb=size(O1);
for i=1:bb(1,1)%点播用户的数量
 for j=2:yong1
 if ZZ(j,1)==O1(i,1)%O1 表示点播用户
 ZZ1(j,:)=zeros(1,yong1);
 else
 end
 end
end
ZZ1(all(ZZ1==0,2),:)=[];%删除行
b=size(ZZ1);
O2=ZZ1(2:b(1,1),1);%新的用户列
ZZ2=ZZ1';
ZZ3=ZZ2;
for i=1:b-1
 for j=2:yong1
 if ZZ3(j,1)==O2(i,1)
 ZZ2(j,:)=zeros(1,b(1,1));
 else
 end
 end
end
ZZ2(all(ZZ2==0,2),:)=[];
ZZ2=ZZ2';
bb4=size(ZZ2);
yong=bb4(1,1)-1;
pin=bb4(1,2)-1;
pin1=pin+1;
n=10;
topp=[];
bbb=size(ZZ2);
Z1=ZZ2(2:bbb(1,1),:);
for i=1:yong
 topp1=Z1(i,:);
 iii=[i*n,3];
 topp2=sort(topp1,'descend');
 for j=2:pin1
 if topp1(1,j)>=topp2(1,n+1)
 topp=[topp;topp1(1,1),ZZ2(1,j),topp1(1,j)*1000];
 if size(topp)==iii
 break
 else
 end
 else
 end
 end
end