1 數據結構

userCount：用戶數
itemCount：項目數
user_ratings：ArrayList<ArrayList>，
問：此處為什么要用二維數組？
答：第1維是用戶，第2維是用戶對所有項目的評分。
testRatings：ArrayList
問：此處為什么只用一維數組？
答：個人認為這個處理有問題，因為每個用戶有1-2個評分作為測試集，如果用一維數組，則數組的下標就不能和用戶id(userId)一一對應。

2 讀取評分：ReadRatings_HoldOneOut

步驟如下：

從文件中一行行讀取，然后存入user_ratings中，存儲后如下：
用戶0：
$[<0,0,4.0,0>,<0,1,4.0,0>,\dots ,<0,64,5.0,0>,<0,65,3.0,0>]$
注：<userId, itemId, score, timestamp>，$<0,0,4.0,0>$可以解讀為用戶0對項目0在0時刻評分為4.0分。
用戶1：
$[<1,0,5.0,0>,<1,66,4.0,0>,\dots ,<1,192,1.0,0>,<1,193,5.0,0>]$
用戶2：
$[<2,0,5.0,0>,<2,194,5.0,0>,\dots ,<2,202,5.0,0>,<2,203,5.0,0>]$

利用user_ratings構造訓練集和測試集testRatings
$[<0,65,3.0,0>,<0,64,5.0,0>,<1,193,5.0,0>,<1,192,1.0,0>,<2,203,5.0,0>,<2,202,5.0,0>,<3,278,5.0,0>,<3,277,4.0,0>,<4,290,4.0,0>,<4,289,5.0,0>,<5,328,2.0,0>,<5,327,5.0,0>,<6,394,4.0,0>,<6,393,5.0,0>,<7,406,5.0,0>,<7,405,2.0,0>,<8,420,3.0,0>,<8,419,3.0,0>,<9,482,5.0,0>,<9,481,4.0,0>,\dots ]$
問：這種方式有問題沒有？
答：有，測試集由于是一個一維的列表，導致利用testRatings.get(u).itemId這個代碼來取數據的時候，u并不是指代某個用戶id，而是列表中某個位置的下標，容易誤解為用戶id和項目id不匹配。

上面的不匹配是由于下面的代碼導致的，由于每一個用戶將最后兩個評分加入到測試集，導致用戶id和列表的下標對應不上。

//if (i == ratings.size() - 1) { // test if (i == ratings.size() - 1 || i == ratings.size() - 2) { // testtestRatings.add(ratings.get(i));//the size of testing = the number of users. } else { // traintrainMatrix.setValue(userId, itemId, ratings.get(i).score); }//of if

方案（1）：改成如下代碼即可，使得每個用戶只有一個評分加入測試集，即測試集大小和用戶數一致

if (i == ratings.size() - 1) { // test //if (i == ratings.size() - 1 || i == ratings.size() - 2) { // testtestRatings.add(ratings.get(i));//the size of testing = the number of users. } else { // traintrainMatrix.setValue(userId, itemId, ratings.get(i).score); }//of if

方案（2）：可以用二維列表來存儲測試集。

3 evaluate_for_user的理解

3.1 數據結構

map_item_score：HashMap<Integer, Double>，散列表。HashMap的主干是一個Entry數組，Entry是HashMap的基本組成單元，每一個Entry包含一個key-value鍵值對。

HashMap<Integer, Double> map_item_score = new HashMap<Integer, Double>();

ignoreSet：HashSet ，HashSet 基于 HashMap 來實現的，一個不允許有重復元素的集合。

3.2 代碼解讀

/*** Evaluation for a specific user with given GT item.對具有給定Groud-Truth項目的特定用戶的評估* @return:* result[0]: hit ratio* result[1]: ndcg* result[2]: precision*/protected double[] evaluate_for_user(int u, int gtItem) {double[] result = new double[3];HashMap<Integer, Double> map_item_score = new HashMap<Integer, Double>();// Get the score of the test item first.double maxScore = predict(u, gtItem);// Early stopping if there are topK items larger than maxScore.int countLarger = 0;for (int i = 0; i < itemCount; i++) {double score = predict(u, i);//預測用戶u對所有項目的評分map_item_score.put(i, score);//將預測評分放入散列表中，key為i，value為score//下面的兩句的作用是只要gtItem沒有進入TopK則不計算三個評價指標？if (score > maxScore) countLarger ++;if (countLarger > topK) return result; // early stopping}// Selecting topK items (does not exclude train items).ArrayList<Integer> rankList = ignoreTrain ? CommonUtils.TopKeysByValue(map_item_score, topK, trainMatrix.getRowRef(u).indexList()) : CommonUtils.TopKeysByValue(map_item_score, topK, null);result[0] = getHitRatio(rankList, gtItem);result[1] = getNDCG(rankList, gtItem);result[2] = getPrecision(rankList, gtItem);return result;}/*** Get the topK keys (by its value) of a map. Does not consider the keys which are in ignoreKeys.* @param map* @return*/public static<K, V extends Comparable<? super V>> ArrayList<K> TopKeysByValue(Map<K, V> map, int topK, ArrayList<K> ignoreKeys) {HashSet<K> ignoreSet;if (ignoreKeys == null) {ignoreSet = new HashSet<K>();} else {ignoreSet = new HashSet<K> (ignoreKeys);//將訓練集中用戶u購買過的項目放入ignoreSet}//因為map保存的是所有項目，如果要忽略訓練集中的項目，則將訓練集之外的項目寫入topQueueTopKPriorityQueue<K, V> topQueue = new TopKPriorityQueue<K, V>(topK);for (Map.Entry<K, V> entry : map.entrySet()) {if (!ignoreSet.contains(entry.getKey())) {topQueue.add(entry);}}//對topQueue中的元素進行排序，排序后保存在topKeys并返回ArrayList<K> topKeys = new ArrayList<K>();for (Map.Entry<K, V> entry : topQueue.sortedList()) {topKeys.add(entry.getKey());}return topKeys;}public ArrayList<Map.Entry<K, V>> sortedList() {ArrayList<Map.Entry<K, V>> list = new ArrayList<Map.Entry<K, V>>(queue); Collections.sort(list, c.reversed()); return list;}

Collections.sort參考博客https://baijiahao.baidu.com/s?id=1660417080221659283&wfr=spider&for=pc

這里還用到了一個非常重要的接口Comparable。
功能： Comparable接口可用于對象的排序或者對象的分組

介紹： Comparable接口強行對實現它的類的每個實例進行自然排序，該接口的唯一方法compareTo方法被稱為自然比較方法
方法： int compareTo（Object o）

利用當前對象和傳入的目標對象進行比較：

• 若是當前對象比目標對象大，則返回1，那么當前對象會排在目標對象的后面
• 若是當前對象比目標對象小，則返回-1，那么當前對象會排在目標對象的后面
• 若是兩個對象相等，則返回0

import java.util.Arrays;public class User implements Comparable<User> {public int age;public String username;public User(int age, String username) {this.age = age;this.username = username;}@Overridepublic String toString() {return this.username;}@Overridepublic int compareTo(User o) {if(this.age>o.age) {return 1;} else if(this.age<o.age) {return -1;} else {return 0;}}public static void main(String[] args) {User[] arr = new User[3];arr[0] = new User(15,"user1");arr[1] = new User(10,"user2");arr[2] = new User(20,"user3");System.out.println("排序前：" + Arrays.toString(arr));Arrays.sort(arr);System.out.println("排序后：" + Arrays.toString(arr));} }排序前：[user1, user2, user3] 排序后：[user2, user1, user3]

總結

以上是生活随笔為你收集整理的Fast Matrix Factorization for Online Recommendation with Implicit Feedback论文代码分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。