java推荐算法代码

在Java中，推荐算法通常用于个性化推荐系统，例如电影推荐、商品推荐等。这里简单介绍一种常见的协同过滤算法——基于用户的协同过滤。以下是简单的代码示例：

import java.util.*;
import java.lang.Math;

public class CollaborativeFiltering {
    private List<Rating> ratings; // 用户对物品的评分列表

    // 模拟用户和物品
    class UserItem {
        int user;
        String item;
        double rating;

        UserItem(int user, String item, double rating) {
            this.user = user;
            this.item = item;
            this.rating = rating;
        }
    }

    // 对于基于用户的协同过滤，我们需要计算每个用户与其他所有用户的相似度
    public double similarity(UserItem userA, UserItem userB) {
        double sum = 0.0;
        for (Rating r : ratings) {
            if (r.getUser() == userA.user || r.getUser() == userB.user) {
                sum += Math.pow(rating - r.getValue(), 2);
            }
        }
        return 1 / (1 + sum);
    }

    // 推荐给用户items，基于他们与目标用户user的相似度最高的用户
    public List<String> recommendForUser(int targetUser, List<String> items) {
        Map<UserItem, Double> similarities = new HashMap<>();
        for (Rating r : ratings) {
            if (r.getUser() != targetUser && items.contains(r.getItem())) {
                UserItem similarUser = new UserItem(r.getUser(), "", r.getValue());
                similarities.put(similarUser, similarity(similarUser, new UserItem(targetUser, items.get(0), 0)));
            }
        }
        // 根据相似度降序排序并返回前n个最相似用户喜欢的物品
        List<Map.Entry<UserItem, Double>> sortedSimilarities = new ArrayList<>(similarities.entrySet());
        Collections.sort(sortedSimilarities, (a, b) -> b.getValue().compareTo(a.getValue()));
        List<String> recommendations = new ArrayList<>();
        for (Map.Entry<UserItem, Double> entry : sortedSimilarities.subList(0, Math.min(5, sortedSimilarities.size()))) {
            recommendations.add(entry.getKey().item);
        }
        return recommendations;
    }

    // 示例：添加评分记录
    public void addRating(Rating rating) {
        ratings.add(rating);
    }

    // 示例：用户评分模型中的一个实体
    class Rating {
        int user;
        String item;
        double value;

        Rating(int user, String item, double value) {
            this.user = user;
            this.item = item;
            this.value = value;
        }
    }
}

// 使用示例
ratingSystem.addRating(new Rating(0, "movie1", 4.5));
...
List<String> topRecommendations = ratingSystem.recommendForUser(0, Arrays.asList("movie1"));

这个例子展示了如何创建一个简单的基于用户的协同过滤模型。实际应用中，可能需要更复杂的处理如距离阈值、加权平均等。记住，这只是一个基础版本，实际推荐系统的实现可能会更复杂，包含更多的优化和考虑因素。