今天我把这些问题的细节做了一些改善，重新做了模型，发觉模型结果比我预想中的要棒！！主要修改如下：

1、将邻居矩阵从2维扩充为35维；（据我测算，一般为整个数据集中用户数的5%最佳，50维出现了一些空值）

2、将欧氏距离上限标准化去掉，这样能更有效的匹配到相似度更高的用户。

后续在执行推荐算法的过程中发现，一个一个计算每一个用户的推荐产品太傻，我需要来一个循环语句来执行推荐算法！

过程中主要问题如下：

1、并不是所有用户都有相似用户，在执行语句中会报错——这里我需要一个语句能识别报错并跳过继续执行；

2、如何把所有执行的结果放入一个矩阵，并且识别是哪一个用户——这里需要一个空矩阵将用户ID和结果装入。

最终代码编写如下：

#组建初始化空矩阵

R<-matrix(0,9,1)  

#循环运行推荐程序并将结果并入到空矩阵
for (i in 1:nrow(S))

#循环执行推荐程序
    try({

#将ID放到结果之前
      R1=cbind(c(rep(i,3),UserBasedRecommender(i,RECOMMENDER_NUM,M,S,N)))

#将ID和结果一起并入空矩阵
      R<-cbind(R,R1)
    }
    ,silent = T)

#删除结果矩阵1,2行以及第一列
c<-R[-1,-1][-1,]


write.csv(c,file = 'hnjbtj1.csv')

结果如下：

扫码关注CDA公众号，即可获取“最新版数据分析题库大全”与“CDA免费精品课70+”