As for the calculation of user similarity, the thesis primarily defines a two-dimensional matrix top20booknums[users.Count,20] with users.Count rows and 20 columns to store 20 users with maximum similarity. The similarity is progressively sorted from high to low. Meanwhile, a two-dimensional matrix top20cardnums[users.Count,20] is defined to store user information in the two-dimensional matrix top20booknums. Next task is to successively find most similar 20 neighbors for each user. User similarity is measured by the number of similar borrowed books. Since above processes have filled in reader borrowing records in the two-dimensional borrowing matrix wherein 1 means ‘‘having borrowing records’ and o means ‘‘no borrowing records’’, this section will calculate user I and user ’s similarity with formula (2). As shown in the following Fig. 4, if the thesis plans to calculate the similarity between reader 1 and 2, then we could regard reader 1’s grade vector as u1 = (1,0,0,1,1) and reader 2’s grade vector as u2 = (1,1,1,1,1). The similarity between reader 1 and 2 could be calculated pursuant to above formula. By that analogy, the thesis could finally obtain the most similar 20 neighbors of every user.
关于用户相似度的计算,本文主要定义了一个具有用户的二维矩阵top20booknums [users.Count,20]。计算行数和20列以存储20个最大相似度的用户。相似度从高到低逐渐排序。同时,定义了二维矩阵top20cardnums [users.Count,20],用于将用户信息存储在二维矩阵top20booknums中。接下来的任务是为每个用户依次找到最相似的20个邻居。用户相似度是通过相似借阅书籍的数量来衡量的。由于上述过程已在二维借阅矩阵中填写了读者借阅记录,其中1表示“有借阅记录”,o表示“无借阅记录”,因此本节将计算用户I和用户与公式的相似度( 2)。如下图4所示 如果论文打算计算阅读器1和2之间的相似度,那么我们可以将阅读器1的等级向量视为u1 =(1,0,0,1,1),将阅读器2的等级向量视为u2 =(1,1,1 ,1,1)。阅读器1和2之间的相似度可以根据上式计算。通过这种类推,论文最终可以得出每个用户最相似的20个邻居。
正在翻译中..
对于用户相似度的计算,本文主要定义了一个二维矩阵top20booknums[users.Count,20]和users.Count,对行和列进行计数,存储20个相似度最大的用户。相似性是从高到低逐步排序的。同时,定义了二维top20cardnums[users.Count,20]矩阵,将用户信息存储在二维top20booknums矩阵中。下一个任务是为每个用户连续找到最相似的20个邻居。用户相似度是通过相似借阅图书的数量来衡量的。由于上述过程已在二维借用矩阵中填写了读取器借用记录,其中1表示“有借用记录”,o表示“无借用记录”,因此本节将计算用户I和用户与公式(2)的相似性。如下图4所示,如果本文打算计算读取器1和读取器2之间的相似度,则可以将读取器1的等级向量视为u1=(1,0,0,1,1),将读取器2的等级向量视为u2=(1,1,1,1,1)。读取器1和读取器2之间的相似度可根据上述公式计算。通过这个类比,论文最终可以得到每个用户最相似的20个邻居。
正在翻译中..