基于C#实现协同推荐 SlopeOne 算法

一、概念

相信大家对如下的 Category 都很熟悉，很多网站都有类似如下的功能，“商品推荐”,"猜你喜欢“，在实体店中我们有导购来为我们服务，在网络上我们需要同样的一种替代物，如果简简单单的在数据库里面去捞，去比较，几乎是完成不了的,这时我们就需要一种协同推荐算法，来高效的推荐浏览者喜欢的商品。

SlopeOne 的思想很简单，就是用均值化的思想来掩盖个体的打分差异，举个例子说明一下：

在这个图中，系统该如何计算“王五“对”电冰箱“的打分值呢？刚才我们也说了，slopeone 是采用均值化的思想,也就是：R 王五 =4-{[(5-10)+(4-5)]/2}=7 。
下面我们看看多于两项的商品，如何计算打分值。
rb = (n * (ra - R(A->B)) + m * (rc - R(C->B)))/(m+n)
注意： a,b,c 代表“商品”。
ra 代表“商品的打分值”。
ra->b 代表“A组到B组的平均差（均值化）”。
m,n 代表人数。

根据公式，我们来算一下。
r 王五 = (2 * (4 - R(洗衣机-> 彩电)) + 2 * (10 - R(电冰箱-> 彩电))+ 2 * (5 - R(空调-> 彩电)))/(2+2+2)=6.8
是的，slopeOne 就是这么简单，实战效果非常不错。

二、实现

1、定义一个评分类 Rating。

 /// 

 /// 评分实体类
 /// 
 public class Rating
 {
     /// 

     /// 记录差值
     /// 
     public float Value { get; set; }

     /// 

     /// 记录评分人数，方便公式中的 m 和 n 的值
     /// 
     public int Freq { get; set; }

     /// 

     /// 记录打分用户的ID
     /// 
     public HashSet<int> hash_user = new HashSet<int>();

     /// 

     /// 平均值
     /// 
     public float AverageValue
     {
         get { return Value / Freq; }
     }
 }

2、定义一个产品类

 /// 

 /// 产品类
 /// 
 public class Product
 {
     public int ProductID { get; set; }

     public string ProductName { get; set; }

     /// 

     /// 对产品的打分
     /// 
     public float Score { get; set; }
 }

3、SlopeOne 类

参考了网络上的例子，将二维矩阵做成线性表，有效的降低了空间复杂度。

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;

namespace SupportCenter.Test
{
  #region Slope One 算法
  /// 

  /// Slope One 算法
  /// 
  public class SlopeOne
  {
      /// 

      /// 评分系统
      /// 
      public static Dictionary<int, Product> dicRatingSystem = new Dictionary<int, Product>();

      public Dictionary<string, Rating> dic_Martix = new Dictionary<string, Rating>();

      public HashSet<int> hash_items = new HashSet<int>();

      #region 接收一个用户的打分记录
      /// 

      /// 接收一个用户的打分记录
      /// 
      /// 
      public void AddUserRatings(IDictionary<int, List<Product>> userRatings)
      {
          foreach (var user1 in userRatings)
          {
              //遍历所有的Item
              foreach (var item1 in user1.Value)
              {
                  //该产品的编号（具有唯一性）
                  int item1Id = item1.ProductID;

                  //该项目的评分
                  float item1Rating = item1.Score;

                  //将产品编号字存放在hash表中
                  hash_items.Add(item1.ProductID);

                  foreach (var user2 in userRatings)
                  {
                      //再次遍历item，用于计算俩俩 Item 之间的差值
                      foreach (var item2 in user2.Value)
                      {
                          //过滤掉同名的项目
                          if (item2.ProductID <= item1Id)
                              continue;

                          //该产品的名字
                          int item2Id = item2.ProductID;

                          //该项目的评分
                          float item2Rating = item2.Score;

                          Rating ratingDiff;

                          //用表的形式构建矩阵
                          var key = Tools.GetKey(item1Id, item2Id);

                          //将俩俩 Item 的差值 存放到 Rating 中
                          if (dic_Martix.Keys.Contains(key))
                              ratingDiff = dic_Martix[key];
                          else
                          {
                              ratingDiff = new Rating();
                              dic_Martix[key] = ratingDiff;
                          }

                          //方便以后以后userrating的编辑操作，（add)
                          if (!ratingDiff.hash_user.Contains(user1.Key))
                          {
                              //value保存差值
                              ratingDiff.Value += item1Rating - item2Rating;

                              //说明计算过一次
                              ratingDiff.Freq += 1;
                          }

                          //记录操作人的ID，方便以后再次添加评分
                          ratingDiff.hash_user.Add(user1.Key);
                      }
                  }
              }
          }
      }
      #endregion

      #region 根据矩阵的值，预测出该Rating中的值
      /// 

      /// 根据矩阵的值，预测出该Rating中的值
      /// 
      /// 
      /// 
      public IDictionary<int, float> Predict(List<Product> userRatings)
      {
         Dictionary<int, float> predictions = new Dictionary<int, float>();

         var productIDs = userRatings.Select(i => i.ProductID).ToList();

         //循环遍历_Items中所有的Items
         foreach (var itemId in this.hash_items)
         {
             //过滤掉不需要计算的产品编号
             if (productIDs.Contains(itemId))
                 continue;

             Rating itemRating = new Rating();

             // 内层遍历userRatings
             foreach (var userRating in userRatings)
             {
                 if (userRating.ProductID == itemId)
                     continue;

                 int inputItemId = userRating.ProductID;

                 //获取该key对应项目的两组AVG的值
                 var key = Tools.GetKey(itemId, inputItemId);

                 if (dic_Martix.Keys.Contains(key))
                 {
                     Rating diff = dic_Martix[key];

                     //关键点：运用公式求解（这边为了节省空间，对角线两侧的值呈现奇函数的特性）
                     itemRating.Value += diff.Freq * (userRating.Score + diff.AverageValue * ((itemId < inputItemId) ? 1 : -1));

                     //关键点：运用公式求解 累计每两组的人数
                     itemRating.Freq += diff.Freq;
                 }
             }

             predictions.Add(itemId, itemRating.AverageValue);
         }

         return predictions;
     }
     #endregion
 }
 #endregion

 #region 工具类
 /// 

 /// 工具类
 /// 
 public class Tools
 {
     public static string GetKey(int Item1Id, int Item2Id)
     {
         return (Item1Id < Item2Id) ? Item1Id + "->" + Item2Id : Item2Id + "->" + Item1Id;
     }
 }
 #endregion
}

4、测试类 Program

这里我们灌入了 userid=1000，2000，3000 的这三个人，然后我们预测 userID=3000 这个人对 “彩电” 的打分会是多少？

 public class Program
 {
     static void Main(string[] args)
     {
         SlopeOne test = new SlopeOne();

         Dictionary<int, List<Product>> userRating = new Dictionary<int, List<Product>>();

         //第一位用户
         List<Product> list = new List<Product>()
         {
             new Product(){ ProductID=1, ProductName="洗衣机",Score=5},
             new Product(){ ProductID=2, ProductName="电冰箱", Score=10},
             new Product(){ ProductID=3, ProductName="彩电", Score=10},
             new Product(){ ProductID=4, ProductName="空调", Score=5},
         };

         userRating.Add(1000, list);

         test.AddUserRatings(userRating);

         userRating.Clear();
         userRating.Add(1000, list);

         test.AddUserRatings(userRating);

         //第二位用户
         list = new List<Product>()
         {
             new Product(){ ProductID=1, ProductName="洗衣机",Score=4},
             new Product(){ ProductID=2, ProductName="电冰箱", Score=5},
             new Product(){ ProductID=3, ProductName="彩电", Score=4},
              new Product(){ ProductID=4, ProductName="空调", Score=10},
         };

         userRating.Clear();
         userRating.Add(2000, list);

         test.AddUserRatings(userRating);

         //第三位用户
         list = new List<Product>()
         {
             new Product(){ ProductID=1, ProductName="洗衣机", Score=4},
             new Product(){ ProductID=2, ProductName="电冰箱", Score=10},
             new Product(){ ProductID=4, ProductName="空调", Score=5},
         };

         userRating.Clear();
         userRating.Add(3000, list);

         test.AddUserRatings(userRating);

         //那么我们预测userID=3000这个人对 “彩电” 的打分会是多少？
         var userID = userRating.Keys.FirstOrDefault();
         var result = userRating[userID];

         var predictions = test.Predict(result);

         foreach (var rating in predictions)
             Console.WriteLine("ProductID= " + rating.Key + " Rating: " + rating.Value);
     }
 }