首先计算相似度并没有用用户-电影矩阵，而是用的用户共现矩阵，即看过相同电影的用户值为1，没有看过相同电影的用户值不是0而是根本不存在，这就导致evaluate（）函数里如果for i， user in self.testSet.items()，会出现需要计算的用户在相似度矩阵里根本不存在的问题，会返回字典值错误 keyError，错误值就是想要计算却不存在的那个用户id。因此，在构建共现矩阵（co-rated matrix）的时候，如果u == v， 不应该直接continue，而是应该设为0值。
第二个问题就是这个协同过滤的计算准确率很低，用共现矩阵相当于根本没考虑电影的任何属性，只考虑了电影名，随便换个数据集就会出问题，我换了一个图书馆的图书数据集测试，推荐的准确率低的离谱。
首先计算相似度并没有用用户-电影矩阵，而是用的用户共现矩阵，即看过相同电影的用户值为1，没有看过相同电影的用户值不是0而是根本不存在，这就导致evaluate（）函数里如果for i， user in self.testSet.items()，会出现需要计算的用户在相似度矩阵里根本不存在的问题，会返回字典值错误 keyError，错误值就是想要计算却不存在的那个用户id。因此，在构建共现矩阵（co-rated matrix）的时候，如果u == v， 不应该直接continue，而是应该设为0值。
第二个问题就是这个协同过滤的计算准确率很低，用共现矩阵相当于根本没考虑电影的任何属性，只考虑了电影名，随便换个数据集就会出问题，我换了一个图书馆的图书数据集测试，推荐的准确率低的离谱。