計算用戶偏好，也即計算前文所述的這些系數。

假設用戶歷史評分文件是一個 m 乘 n 的矩陣R，其中 m 表示用戶的個數。R中某些位置的值為空，意味著對應的用戶與物品之間沒產生過聯系。

首先，對某一用戶A，我們需要計算一下他的平均打分值 p ，后面要用。以電影評分為例，即把他所給出的電影評分值累加，再除以他所評價過的電影數目。如果用戶A對應著矩陣R的第一行，則相當于把矩陣R第一行中的非空值進行累加，再除以非空值的數目。（預告：如果物品數非常多，而用戶A評價過的電影數卻很少，即歷史評分文件對應的矩陣R非常稀疏，在這種矩陣計算過程中我們卻不得不把所有物品給遍歷一次，這樣計算量很大，有什么方法對計算過程進行優(yōu)化嗎？）

其次，計算用戶A對某一屬性的系數，例如屬性①。對所有屬性進行遍歷，就可以得到用戶A的偏好了。我們先看一下對一個屬性的系數是如何計算的。

執(zhí)行對某一屬性對應的系數的計算，還是離不開該用戶對物品的評分數據。以電影評分為例，假設屬性①的取值只能為 0 或 1 ，則我們需要篩選出在該用戶評分過的電影中，屬性①取值為 1 的那些電影，假設數目為 k 。則該用戶對于屬性①的系數為：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

其中，表示該用戶對篩選出的 k 部電影中的第 i 部的評分。

最后，我們遍歷所有用戶，就得到了所有用戶的偏好矩陣 S 了。S 的維度是 m 乘 v ，v 表示所有屬性的數目。

我們可以寫一個函數來實現這篇文章所述的功能。

思考，倘若某些屬性的取值為連續(xù)數值，而不是 0 和 1 ，那么我們該如何計算這些系數呢？