也许您的问题的最佳答案是CRAN 提供的 R 的推荐实验室包。这是小插图的链接。它实现了 CF 算法和 Jaccard 系数。对于 0/1 用户反馈案例。

只有 base stats R 包中的相似度（距离）计算才有dist函数。但它仅限于少数距离测量。我知道当我在名为vegan的 R 包中搜索距离度量时，声称已实现了许多方法。但我从未使用过它。

恕我直言，最基本的推荐系统算法非常简单。值得花几分钟实施它，以更好地理解和直觉它是如何工作的。尽管如此，在我针对您的案例的快速而肮脏的基于用户的 kNN 实现之下。代码可以以更好的方式重写（Adv.R 是非常好的资源） - 但这只是用于学习目的的示例，我不对任何损害负责:-)

require(reshape2)

ratings <- read.csv(con <- textConnection('
User,Item,Rating
Anna,Apple,2
Bob,Apple,4
Carlos,Apple,1
Ethan,Apple,1
Gene,Apple,2
Anna,Banana,4
Dana,Banana,3
Ethan,Banana,5
Frank,Banana,5
Bob,Carrot,1
Ethan,Carrot,2
Gene,Carrot,4
'), header = T)

R <- ratings %>% dcast(Item ~ User)
ProductNames <- R[,1]
R <- R[,-1] # only ratings

# tanimoto similarity (~Jaccard coefficiet)
tanimoto <- function(v1,v2) length(intersect(v1,v2))/length(union(v1,v2))

# return top-k similar users
getKNN <- function(R, i, k, sim = tanimoto) {
  similarity <- array(0,length(R))
  for(j in 1:length(R)) {
    if(i!=j) similarity[j] = sim(which(!is.na(R[,i])),which(!is.na(R[,j])))
  }
  idx <- order(similarity, decreasing = T)[1:k]
  data.frame(idx = idx, similarity = similarity[idx])
}

kNNRecommender <- function(R, k) {
  reco <- data.frame()
  for(u in 1:length(R)) {
    userItems <- which(!is.na(R[,u])) #items rated by user
    nn <- getKNN(R,u, k) # get user neighbours

    # rating prediction - wiegted by similarity
    r <- array(0, c(dim(R)[1], k))
    for(i in 1:k) {
      r[,i] = R[,nn[i,]$idx] * nn[i,]$similarity
    }
    r[is.na(r)] <- 0
    userReco <- rowSums(r) / sum(nn$similarity)
    userRecoIdx <- order(userReco, decreasing = T)

    # remove items already rated by user
    userRecoIdx <- userRecoIdx[-userItems]

    # add to recommendations result
    reco <- rbind(reco, data.frame(
      User=u,
      Item=(if(length(userRecoIdx)==0) NA else userRecoIdx),
      Prediction=(if(length(userRecoIdx)==0) NA else userReco[userRecoIdx])
    ))
  }
  reco
}

kNNRecommender(R, 2)

补充Bartłomiej Twardowski：

由于索引已重新排序，因此无法应用已被用户评分的行删除项目，请替换：

userRecoIdx <- userRecoIdx[-userItems]

经过

userRecoIdx <- setdiff(userRecoIdx,userItems)

为了考虑在另一行/列中与 NA 的相似性总和

userReco <- rowSums(r) / sum(nn$similarity)

经过

userReco <- rowSums(r, na.rm = TRUE) / sum(nn$similarity, na.rm = TRUE)