Java编程实现基于用户的协同过滤推荐算法代码示例

Java编程实现基于用户的协同过滤推荐算法代码示例编程实现基于用户的协同过滤推荐算法代码示例

主要介绍了Java编程实现基于用户的协同过滤推荐算法代码示例，具有一定参考价值，需要的朋友可以了解下。

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.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

*

*/

* 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> 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;

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]);

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(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){