本文将从以下两方面简单介绍本次任务的完成情况： 1. 实现算法简单介绍 2. 程序运行说明
本次推荐系统采用基于用户的协同滤波推荐，来自参考文献[1]。 user a对item j的评分预测可以通过下列公式得到：
其中，va为user a所有评分的平均值，vij为user i对item j的评分，vi为user i所有评分的平均值， w(a,i)为user a和user i之间的相关系数：
k为归一化因子，前k大相关系数之和： k为所取的邻居数，根据参考文献[2]中figure6发现一味地增加邻居数，预测效果会下降，故本次任务中取10。
注： 关于cold start的处理：对于在对user a对应的item进行评分时，若新出现的item，则将其置为user a评分的平均值。
参考文献： [1] J. Breese, D.. Heckerman, and C. Kadie, Empirical analysis of predictive algorithms for collaborative filtering, Proc. Conf. Uncertainty in Artificial Intelligence, (UAI98) 1998 [2] J.L. Herlocker, J.A. Konstan, J.R.A. Borchers, and J. Riedl, An algorithmic framework for performing collaborative filtering, Proc. International on ACM SIGIR Research and Development in Information Retrieval, (SIGIR98) 1998
本次任务代码运用python编写。 Python版本：Python 2.7.13
train_all_txt.txt：为训练数据； allUserItem.txt：是由getTestFile.py得到的所有user对应所有item的评分文件，每个评分初始化为0； userCF.py：主程序，用于实现基于用户的协同滤波算法，实现评分预测，运行本程序后会得到最终预测文件prediction_baseOnUserCF.txt，运行一次约6mins； similarity_baseOnUser.txt：是由主程序输出的用户之间相关系数矩阵文件； prediction_baseOnUserCF.txt：是由主程序输出的最终预测评分文件。
