如何在R的recommenderlab中使用自定义相似度矩阵构建推荐模型

我之前刚好折腾过recommenderlab的自定义相似度扩展问题，给你两个实用的解决方案，看哪种更贴合你的需求：

方案1：直接用预计算的自定义相似度矩阵实现推荐 #

如果已经有了现成的自定义相似度矩阵（比如用户间或物品间的相似度），可以跳过Recommender函数的限制，手动实现协同过滤的核心逻辑，步骤很清晰：

步骤示例（基于用户的协同过滤） #

1. 先从你的评估方案里提取训练集：

train_data <- getData(e, "train")

2. 把训练集转换为普通矩阵方便计算，同时确保你的自定义相似度矩阵（比如user_sim_matrix）的行/列名和训练集的用户ID完全匹配：

train_mat <- as(train_data, "matrix")

3. 编写自定义推荐函数，用你的相似度矩阵计算topN推荐：

custom_user_based_recommend <- function(user_id, sim_matrix, train_matrix, top_n = 10, k = 50) {
  # 获取目标用户已有的评分
  user_ratings <- train_matrix[user_id, ]
  # 获取该用户与其他用户的相似度，排除自己
  sim_scores <- sim_matrix[user_id, ]
  sim_scores[user_id] <- 0
  
  # 取相似度最高的前k个用户
  top_similar_users <- names(sort(sim_scores, decreasing = TRUE)[1:k])
  # 计算未评分物品的加权平均得分
  item_scores <- colSums(train_matrix[top_similar_users, ] * sim_scores[top_similar_users]) / sum(sim_scores[top_similar_users])
  
  # 过滤掉用户已经评分过的物品
  item_scores[!is.na(user_ratings)] <- NA
  # 取得分最高的top_n个物品作为推荐
  top_items <- names(sort(item_scores, decreasing = TRUE)[1:top_n])
  
  return(top_items)
}

4. 测试推荐：

# 给训练集第一个用户生成10个推荐
first_user <- rownames(train_mat)[1]
recommendations <- custom_user_based_recommend(first_user, user_sim_matrix, train_mat)

*注意：*如果是基于物品的协同过滤，只需要把代码里的用户维度换成物品维度，相似度矩阵换成物品间的即可。

方案2：扩展recommenderlab的自定义推荐方法（更优雅） #

如果需要重复使用自定义逻辑，或者要和recommenderlab的原生评估流程兼容，可以注册一个自定义的推荐方法，这样就能像用默认的"Cosine"方法一样调用Recommender函数了：

步骤示例 #

1. 定义自定义推荐模型的构造函数：

RecommenderUserBasedCustom <- function(data, parameter = NULL) {
  # 设置默认参数：可以传预计算的相似度矩阵，或者自定义相似度函数
  if (is.null(parameter)) {
    parameter <- list(sim_matrix = NULL, sim_fun = NULL, k = 50)
  }
  
  # 如果没有预计算矩阵，就用自定义函数计算相似度
  if (is.null(parameter$sim_matrix)) {
    if (is.null(parameter$sim_fun)) {
      stop("必须提供自定义相似度函数或预计算的相似度矩阵！")
    }
    # 转换为矩阵计算相似度
    mat <- as(data, "matrix")
    parameter$sim_matrix <- parameter$sim_fun(mat)
  }
  
  # 返回模型对象
  structure(
    list(data = data, parameter = parameter),
    class = "RecommenderUserBasedCustom"
  )
}

2. 定义对应的预测函数：

predict.RecommenderUserBasedCustom <- function(object, newdata, n = 10, ...) {
  # 处理输入数据格式
  if (inherits(newdata, "realRatingMatrix")) {
    newdata <- as(newdata, "matrix")
  }
  
  # 批量生成推荐
  recommendations <- lapply(rownames(newdata), function(user_id) {
    user_ratings <- newdata[user_id, ]
    sim_scores <- object$parameter$sim_matrix[user_id, ]
    sim_scores[user_id] <- 0
    
    # 取top k相似用户
    top_similar_users <- names(sort(sim_scores, decreasing = TRUE)[1:object$parameter$k])
    # 计算物品得分
    item_scores <- colSums(as(object$data, "matrix")[top_similar_users, ] * sim_scores[top_similar_users]) / sum(sim_scores[top_similar_users])
    
    # 过滤已评分物品
    item_scores[!is.na(user_ratings)] <- NA
    # 取top n推荐
    names(sort(item_scores, decreasing = TRUE)[1:n])
  })
  
  # 转换为recommenderlab原生的topNList格式
  names(recommendations) <- rownames(newdata)
  as(recommendations, "topNList")
}

3. 注册自定义方法到recommenderlab：

registerRecommender("USER_BASED_CUSTOM", RecommenderUserBasedCustom)

4. 现在就可以像用默认方法一样使用了：

# 示例1：用预计算的相似度矩阵构建模型
model_custom <- Recommender(train_data, method = "USER_BASED_CUSTOM",
                            parameter = list(sim_matrix = user_sim_matrix, k = 50))

# 示例2：用自定义相似度函数构建模型（比如自己修改的余弦相似度）
my_custom_sim <- function(mat) {
  # 自定义相似度逻辑：比如带权重的余弦相似度
  sim <- cor(t(mat), use = "pairwise.complete.obs")
  sim <- sim * 0.9 + 0.1 * mean(sim) # 自定义调整
  return(sim)
}

model_custom_fun <- Recommender(train_data, method = "USER_BASED_CUSTOM",
                                parameter = list(sim_fun = my_custom_sim, k = 50))

# 生成预测推荐
pred <- predict(model_custom, getData(e, "known"), n = 10)

5. 甚至可以用原生的评估流程测试模型：

eval_results <- evaluate(e, method = "USER_BASED_CUSTOM", n = c(5, 10, 15))

*注意：*注册方法后，确保自定义模型的类名和predict函数的后缀一致（比如这里的RecommenderUserBasedCustom对应predict.RecommenderUserBasedCustom），否则predict函数不会被正确调用。

内容的提问来源于stack exchange，提问作者kumaran ragunathan