您好,登錄后才能下訂單哦!
小編給大家分享一下Java如何實(shí)現(xiàn)基于用戶的協(xié)同過濾推薦算法,希望大家閱讀完這篇文章之后都有所收獲,下面讓我們一起去探討吧!
協(xié)同過濾簡單來說是利用某興趣相投、擁有共同經(jīng)驗(yàn)之群體的喜好來推薦用戶感興趣的信息,個(gè)人通過合作的機(jī)制給予信息相當(dāng)程度的回應(yīng)(如評(píng)分)并記錄下來以達(dá)到過濾的目的進(jìn)而幫助別人篩選信息,回應(yīng)不一定局限于特別感興趣的,特別不感興趣信息的紀(jì)錄也相當(dāng)重要。
協(xié)同過濾又可分為評(píng)比(rating)或者群體過濾(social filtering)協(xié)同過濾以其出色的速度和健壯性,在全球互聯(lián)網(wǎng)領(lǐng)域炙手可熱
UserCF的核心思想即為根據(jù)用戶數(shù)據(jù)模擬向量相似度,我們根據(jù)這個(gè)相似度,來找出指定用戶的相似用戶,然后將相似用戶買過的而指定用戶沒有買的東西推薦給指定用戶,推薦度的計(jì)算也是結(jié)合了相似用戶與指定用戶的相似度累加。注意這里我們默認(rèn)是用戶的隱反饋行為,所以每一個(gè)物品的影響因子默認(rèn)為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; /** * 基于用戶的協(xié)同過濾推薦算法實(shí)現(xiàn) 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) { /** * 輸入用戶-->物品條目 一個(gè)用戶對(duì)應(yīng)多個(gè)物品 * 用戶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:"); //輸入用戶總量 int N = scanner.nextint(); int[][] sparseMatrix = new int[N][N]; //建立用戶稀疏矩陣,用于用戶相似度計(jì)算【相似度矩陣】 Map<String, Integer> userItemLength = new HashMap<>(); //存儲(chǔ)每一個(gè)用戶對(duì)應(yīng)的不同物品總數(shù) eg: A 3 Map<String, Set<String>> itemUserCollection = new HashMap<>(); //建立物品到用戶的倒排表 eg: a A B Set<String> items = new HashSet<>(); //輔助存儲(chǔ)物品集合 Map<String, Integer> userID = new HashMap<>(); //輔助存儲(chǔ)每一個(gè)用戶的用戶ID映射 Map<Integer, String> idUser = new HashMap<>(); //輔助存儲(chǔ)每一個(gè)ID對(duì)應(yīng)的用戶映射 System.out.println("Input user--items maping infermation:<eg:A a b d>"); scanner.nextLine(); for (int i = 0; i < N ; i++){ //依次處理N個(gè)用戶 輸入數(shù)據(jù) 以空格間隔 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); //用戶ID與稀疏矩陣建立對(duì)應(yīng)關(guān)系 idUser.put(i, user_item[0]); //建立物品--用戶倒排表 for (int j = 1; j < length; j ++){ if(items.contains(user_item[j])){ //如果已經(jīng)包含對(duì)應(yīng)的物品--用戶映射,直接添加對(duì)應(yīng)的用戶 itemUserCollection.get(user_item[j]).add(user_item[0]); } else{ //否則創(chuàng)建對(duì)應(yīng)物品--用戶集合映射 items.add(user_item[j]); itemUserCollection.put(user_item[j], new HashSet<String>()); //創(chuàng)建物品--用戶倒排關(guān)系 itemUserCollection.get(user_item[j]).add(user_item[0]); } } } System.out.println(itemUserCollection.toString()); //計(jì)算相似度矩陣【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; //計(jì)算用戶u與用戶v都有正反饋的物品總數(shù) } } } 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)); //計(jì)算用戶之間的相似度【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)))); } } //計(jì)算指定用戶recommendUser的物品推薦度 for (String item: items){ //遍歷每一件物品 Set<String> users = itemUserCollection.get(item); //得到購買當(dāng)前物品的所有用戶集合 if(!users.contains(recommendUser)){ //如果被推薦用戶沒有購買當(dāng)前物品,則進(jìn)行推薦度計(jì)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)); //推薦度計(jì)算 } System.out.println("The item "+item+" for "+recommendUser +"'s recommended degree:"+itemRecommendDegree); } } scanner.close(); } }
結(jié)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
看完了這篇文章,相信你對(duì)“Java如何實(shí)現(xiàn)基于用戶的協(xié)同過濾推薦算法”有了一定的了解,如果想了解更多相關(guān)知識(shí),歡迎關(guān)注億速云行業(yè)資訊頻道,感謝各位的閱讀!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請(qǐng)聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。