C语言推荐算法实战（从零开始实现协同过滤）

项目目标

我们将实现以下功能：

• 构建用户-物品评分矩阵
• 计算用户之间的相似度（使用余弦相似度）
• 基于相似用户预测目标用户对未评分物品的喜好

第一步：定义数据结构

首先，我们需要用C语言定义评分矩阵和辅助变量：

#include <stdio.h>#include <stdlib.h>#include <math.h>#define NUM_USERS 4#define NUM_ITEMS 5// 用户-物品评分矩阵（0表示未评分）int ratings[NUM_USERS][NUM_ITEMS] = {    {5, 3, 0, 1, 4},    {4, 0, 0, 1, 3},    {1, 1, 0, 5, 0},    {0, 0, 4, 4, 0}};

第二步：计算余弦相似度

余弦相似度衡量两个向量方向的相似性。我们只考虑两个用户都评分过的物品：

double cosine_similarity(int user1, int user2) {    double dot_product = 0.0;    double norm1 = 0.0, norm2 = 0.0;    int common_items = 0;    for (int i = 0; i < NUM_ITEMS; i++) {        if (ratings[user1][i] != 0 && ratings[user2][i] != 0) {            dot_product += ratings[user1][i] * ratings[user2][i];            norm1 += ratings[user1][i] * ratings[user1][i];            norm2 += ratings[user2][i] * ratings[user2][i];            common_items++;        }    }    if (common_items == 0 || norm1 == 0 || norm2 == 0) {        return 0.0; // 无共同评分项    }    return dot_product / (sqrt(norm1) * sqrt(norm2));}

第三步：预测评分

基于K个最相似用户，加权平均预测目标用户对某物品的评分：

double predict_rating(int target_user, int item) {    double total_similarity = 0.0;    double weighted_sum = 0.0;    for (int user = 0; user < NUM_USERS; user++) {        if (user == target_user || ratings[user][item] == 0) continue;        double sim = cosine_similarity(target_user, user);        if (sim > 0) {            weighted_sum += sim * ratings[user][item];            total_similarity += sim;        }    }    if (total_similarity == 0) return 0.0;    return weighted_sum / total_similarity;}

第四步：主函数整合

最后，我们在main函数中调用上述函数进行测试：

int main() {    int target_user = 0; // 假设我们要为用户0做推荐    printf("为用户 %d 推荐未评分的物品:\n", target_user);    for (int item = 0; item < NUM_ITEMS; item++) {        if (ratings[target_user][item] == 0) {            double pred = predict_rating(target_user, item);            printf("  物品 %d 的预测评分为: %.2f\n", item, pred);        }    }    return 0;}

编译与运行

将以上代码保存为 recommend.c，然后在终端执行：

gcc -o recommend recommend.c -lm./recommend

总结

通过这个简单的例子，你已经掌握了如何用C语言实现协同过滤推荐算法。虽然实际工业级系统会更复杂（涉及大规模数据、实时性、冷启动等问题），但核心思想是一致的。掌握这些基础，是迈向高级用户相似度计算和个性化推荐的第一步。

希望这篇C语言编程教程对你有帮助！如果你是初学者，建议多调试代码、修改评分矩阵，观察输出变化，加深理解。