Java编程实现基于用户的协同过滤推荐算法代码示例

2023-09-20 10:04:05 117

协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。

协同过滤又可分为评比（rating）或者群体过滤（socialfiltering）协同过滤以其出色的速度和健壮性，在全球互联网领域炙手可热

UserCF的核心思想即为根据用户数据模拟向量相似度，我们根据这个相似度，来找出指定用户的相似用户，然后将相似用户买过的而指定用户没有买的东西推荐给指定用户，推荐度的计算也是结合了相似用户与指定用户的相似度累加。注意这里我们默认是用户的隐反馈行为，所以每一个物品的影响因子默认为1。

packagecn.csu.CFUtils;
importjava.util.HashMap;
importjava.util.HashSet;
importjava.util.Iterator;
importjava.util.Map;
importjava.util.Map.Entry;
importjava.util.Scanner;
importjava.util.Set;
/**
*基于用户的协同过滤推荐算法实现
Aabd
Bac
Cbe
Dcde
*@authorAdministrator
*
*/
publicclassUserCF{
	publicstaticvoidmain(String[]args){
		/**
*输入用户-->物品条目一个用户对应多个物品
*用户ID物品ID集合
*Aabd
*Bac
*Cbe
*Dcde
*/
		Scannerscanner=newScanner(System.in);
		System.out.println("Inputthetotalusersnumber:");
		//输入用户总量
		intN=scanner.nextint();
		int[][]sparseMatrix=newint[N][N];
		//建立用户稀疏矩阵，用于用户相似度计算【相似度矩阵】
		MapuserItemLength=newHashMap<>();
		//存储每一个用户对应的不同物品总数eg:A3
		Map>itemUserCollection=newHashMap<>();
		//建立物品到用户的倒排表eg:aAB
		Setitems=newHashSet<>();
		//辅助存储物品集合
		MapuserID=newHashMap<>();
		//辅助存储每一个用户的用户ID映射
		MapidUser=newHashMap<>();
		//辅助存储每一个ID对应的用户映射
		System.out.println("Inputuser--itemsmapinginfermation:");
		scanner.nextLine();
		for(inti=0;i());
					//创建物品--用户倒排关系
					itemUserCollection.get(user_item[j]).add(user_item[0]);
				}
			}
		}
		System.out.println(itemUserCollection.toString());
		//计算相似度矩阵【稀疏】
		Set>>entrySet=itemUserCollection.entrySet();
		Iterator>>iterator=entrySet.iterator();
		while(iterator.hasNext()){
			SetcommonUsers=iterator.next().getValue();
			for(Stringuser_u:commonUsers){
				for(Stringuser_v:commonUsers){
					if(user_u.equals(user_v)){
						continue;
					}
					sparseMatrix[userID.get(user_u)][userID.get(user_v)]+=1;
					//计算用户u与用户v都有正反馈的物品总数
				}
			}
		}
		System.out.println(userItemLength.toString());
		System.out.println("Inputtheuserforrecommendation:");
		StringrecommendUser=scanner.nextLine();
		System.out.println(userID.get(recommendUser));
		//计算用户之间的相似度【余弦相似性】
		intrecommendUserId=userID.get(recommendUser);
		for(intj=0;jusers=itemUserCollection.get(item);
			//得到购买当前物品的所有用户集合
			if(!users.contains(recommendUser)){
				//如果被推荐用户没有购买当前物品，则进行推荐度计算
				doubleitemRecommendDegree=0.0;
				for(Stringuser:users){
					itemRecommendDegree+=sparseMatrix[userID.get(recommendUser)][userID.get(user)]/Math.sqrt(userItemLength.get(recommendUser)*userItemLength.get(user));
					//推荐度计算
				}
				System.out.println("Theitem"+item+"for"+recommendUser+"'srecommendeddegree:"+itemRecommendDegree);
			}
		}
		scanner.close();
	}
}

结果：

Inputthetotalusersnumber:
6
Inputuser--itemsmapinginfermation:
aassdd
djshgjh
2415231424
dsjkjdklsjfladkjsf
df8g78dfg788787
48787sdfasd
{dklsjf=[dsjkj],sdfasd=[48787],8787=[df8g78dfg78],ladkjsf=[dsjkj]}
{aassdd=0,df8g78dfg78=1,48787=1,2415231424=0,djshgjh=0,dsjkj=2}
Inputtheuserforrecommendation:
aassdd
0
aassdd--djshgjh相似度:NaN
aassdd--2415231424相似度:NaN
aassdd--dsjkj相似度:NaN
aassdd--df8g78dfg78相似度:NaN
aassdd--48787相似度:NaN
Theitemdklsjfforaassdd'srecommendeddegree:NaN
Theitemsdfasdforaassdd'srecommendeddegree:NaN
Theitem8787foraassdd'srecommendeddegree:NaN
Theitemladkjsfforaassdd'srecommendeddegree:NaN

总结

以上就是本文关于Java编程实现基于用户的协同过滤推荐算法代码示例的全部内容，希望对大家有所帮助。如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！

Java编程实现基于用户的协同过滤推荐算法代码示例

热门推荐

随机推荐