Java编程实现基于用户的协同过滤推荐算法代码示例

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

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！