這一篇是緊跟著上一篇基於使用者的協同過濾（user-based CF）推薦系統【1】的，這一篇只是把計算相似度的方法換成了餘弦相似度，當然最後計算評分的公式也就變了。下面只把有變化的那部分程式碼貼出來。直接替換到上一篇裡面的程式碼就可以了。

simpleCF.py

part1 += user_movie[u][m]*user_movie[n][m]*1.0
part2 += pow(user_movie[u][m], 2)*1.0
part3 += pow(user_movie[n][m], 2)*1.0

    for n, nuw in sorted(userSim[user].items
 
(),key=itemgetter(1),reverse=True)[0:N]: 
        average_n_rate = average_rating(n)   #使用者n的平均分
        for i, nrating in user_movie[n].items():  #使用者n看過電影集合及評分
            # filter movies user interacted before
            if i in interacted_items:
                continue
            pred.setdefault(i,0
 
)
            pred[i] += nuw * nrating
        sumUserSim += nuw

    for i, rating in pred.items():
        pred[i] =  (pred[i]*1.) / sumUserSim

只是simpleCF.py這個檔案有點改動，evaluateRecom.py檔案沒有改動。

Tips:初學推薦系統的朋友可以看看這篇文章，2005年的，比較久了，但是比較基礎，裡面介紹了
collaboratiofiltering，content-based recommendation, hybrid recommendation,比較全。

http://dl.acm.org/citation.cfm?id=1070751
Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions