Java如何实现基于用户的协同过滤推荐算法

小编给大家分享一下Java如何实现基于用户的协同过滤推荐算法，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！

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（social filtering）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。

package cn.csu.CFUtils;
import java.util.HashMap;
import java.util.HashSet;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;
import java.util.Scanner;
import java.util.Set;
/** 
 * 基于用户的协同过滤推荐算法实现 
A a b d 
B a c 
C b e 
D c d e 
 * @author Administrator 
 * 
 */
public class UserCF {
	public static void main(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 
   * A  a b d 
   * B  a c 
   * C  b e 
   * D  c d e 
   */
		Scanner scanner = new Scanner(System.in);
		System.out.println("Input the total users number:");
		//输入用户总量 
		int N = scanner.nextint();
		int[][] sparseMatrix = new int[N][N];
		//建立用户稀疏矩阵，用于用户相似度计算【相似度矩阵】 
		Map<String, Integer> userItemLength = new HashMap<>();
		//存储每一个用户对应的不同物品总数 eg: A 3 
		Map<String, Set<String>> itemUserCollection = new HashMap<>();
		//建立物品到用户的倒排表 eg: a A B 
		Set<String> items = new HashSet<>();
		//辅助存储物品集合 
		Map<String, Integer> userID = new HashMap<>();
		//辅助存储每一个用户的用户ID映射 
		Map<Integer, String> idUser = new HashMap<>();
		//辅助存储每一个ID对应的用户映射 
		System.out.println("Input user--items maping infermation:<eg:A a b d>");
		scanner.nextLine();
		for (int i = 0; i < N ; i++){
			//依次处理N个用户 输入数据 以空格间隔 
			String[] user_item = scanner.nextLine().split(" ");
			int length = user_item.length;
			userItemLength.put(user_item[0], length-1);
			//eg: A 3 
			userID.put(user_item[0], i);
			//用户ID与稀疏矩阵建立对应关系 
			idUser.put(i, user_item[0]);
			//建立物品--用户倒排表 
			for (int j = 1; j < length; j ++){
				if(items.contains(user_item[j])){
					//如果已经包含对应的物品--用户映射，直接添加对应的用户 
					itemUserCollection.get(user_item[j]).add(user_item[0]);
				} else{
					//否则创建对应物品--用户集合映射 
					items.add(user_item[j]);
					itemUserCollection.put(user_item[j], new HashSet<String>());
					//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<Entry<String, Set<String>>> entrySet = itemUserCollection.entrySet();
		Iterator<Entry<String, Set<String>>> iterator = entrySet.iterator();
		while(iterator.hasNext()){
			Set<String> commonUsers = iterator.next().getValue();
			for (String user_u : commonUsers) {
				for (String user_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("Input the user for recommendation:<eg:A>");
		String recommendUser = scanner.nextLine();
		System.out.println(userID.get(recommendUser));
		//计算用户之间的相似度【余弦相似性】 
		int recommendUserId = userID.get(recommendUser);
		for (int j = 0;j < sparseMatrix.length; j++) {
			if(j != recommendUserId){
				System.out.println(idUser.get(recommendUserId)+"--"+idUser.get(j)+"相似度:"+sparseMatrix[recommendUserId][j]/Math.sqrt(userItemLength.get(idUser.get(recommendUserId))*userItemLength.get(idUser.get(j))));
			}
		}
		//计算指定用户recommendUser的物品推荐度 
		for (String item: items){
			//遍历每一件物品 
			Set<String> users = 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 
				double itemRecommendDegree = 0.0;
				for (String user: 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("The item "+item+" for "+recommendUser +"'s recommended degree:"+itemRecommendDegree);
			}
		}
		scanner.close();
	}
}

结果：

Input the total users number:
6
Input user--items maping infermation:<eg:A a b d>
aassdd
djshgjh
2415231424
dsjkj dklsjf ladkjsf
df8g78dfg78 8787 
48787 sdfasd
{dklsjf=[dsjkj], sdfasd=[48787], 8787=[df8g78dfg78], ladkjsf=[dsjkj]}
{aassdd=0, df8g78dfg78=1, 48787=1, 2415231424=0, djshgjh=0, dsjkj=2}
Input the user for recommendation:<eg:A>
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
The item dklsjf for aassdd's recommended degree:NaN
The item sdfasd for aassdd's recommended degree:NaN
The item 8787 for aassdd's recommended degree:NaN
The item ladkjsf for aassdd's recommended degree:NaN

看完了这篇文章，相信你对“Java如何实现基于用户的协同过滤推荐算法”有了一定的了解，如果想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！