基于java语言生成协同过滤算法

下面是一个基于Java语言的简单示例，实现了基于用户的协同过滤算法：

import java.util.*;

public class UserBasedCF {

    // 计算余弦相似度
    private static double cosineSimilarity(double[] v1, double[] v2) {
        double dotProduct = 0;
        double norm1 = 0;
        double norm2 = 0;
        for (int i = 0; i < v1.length; i++) {
            dotProduct += v1[i] * v2[i];
            norm1 += v1[i] * v1[i];
            norm2 += v2[i] * v2[i];
        }
        return dotProduct / (Math.sqrt(norm1) * Math.sqrt(norm2));
    }

    // 基于用户的协同过滤算法
    public static List<Integer> userBasedCF(double[][] userItemMatrix, int targetUser, int K) {
        List<Integer> recommendations = new ArrayList<>();

        // 计算目标用户和其他用户的相似度
        List<double[]> similarities = new ArrayList<>();
        for (int userId = 0; userId < userItemMatrix.length; userId++) {
            if (userId != targetUser) {
                double similarity = cosineSimilarity(userItemMatrix[targetUser], userItemMatrix[userId]);
                similarities.add(new double[]{userId, similarity});
            }
        }

        // 按相似度从高到低排序，选择前K个最相似的用户
        similarities.sort((a, b) -> Double.compare(b[1], a[1]));
        List<double[]> neighbors = similarities.subList(0, K);

        // 获取邻居用户喜欢的物品列表
        Set<Integer> items = new HashSet<>();
        for (double[] neighbor : neighbors) {
            int neighborId = (int) neighbor[0];
            for (int itemId = 0; itemId < userItemMatrix[0].length; itemId++) {
                if (userItemMatrix[neighborId][itemId] > 0) {
                    items.add(itemId);
                }
            }
        }

        // 计算推荐分数
        Map<Integer, Double> scores = new HashMap<>();
        for (int item : items) {
            if (userItemMatrix[targetUser][item] == 0) {
                double score = 0;
                for (double[] neighbor : neighbors) {
                    int neighborId = (int) neighbor[0];
                    score += neighbor[1] * userItemMatrix[neighborId][item];
                }
                scores.put(item, score);
            }
        }

        // 按推荐分数从高到低排序，并返回推荐结果
        recommendations.addAll(scores.keySet());
        recommendations.sort((a, b) -> Double.compare(scores.get(b), scores.get(a)));
        return recommendations;
    }

    public static void main(String[] args) {
        // 示例数据: 5个用户，4个物品
        double[][] userItemMatrix = {
                {5, 3, 0, 0},
                {4, 0, 4, 1},
                {1, 1, 0, 5},
                {0, 0, 4, 4},
                {0, 1, 5, 4}
        };

        // 对用户0进行推荐，选择最相似的2个用户
        List<Integer> recommendations = userBasedCF(userItemMatrix, 0, 2);
        System.out.println("Recommendations for user 0: " + recommendations);
    }
}

在以上代码中，cosineSimilarity函数用于计算余弦相似度，userBasedCF函数实现了基于用户的协同过滤算法。其中，targetUser表示目标用户的编号，K表示选择最相似的K个用户。函数返回推荐结果，包含物品编号。