小编给大家分享一下Java如何实现基于用户的协同过滤推荐算法，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！
网站设计制作、网站制作的关注点不是能为您做些什么网站，而是怎么做网站，有没有做好网站，给创新互联建站一个展示的机会来证明自己，这并不会花费您太多时间，或许会给您带来新的灵感和惊喜。面向用户友好，注重用户体验，一切以用户为中心。
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。
重庆分公司
重庆分公司
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 userItemLength = new HashMap<>();
//存储每一个用户对应的不同物品总数 eg: A 3
Map> itemUserCollection = new HashMap<>();
//建立物品到用户的倒排表 eg: a A B
Set items = new HashSet<>();
//辅助存储物品集合
Map userID = new HashMap<>();
//辅助存储每一个用户的用户ID映射
Map 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:");
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());
//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>> entrySet = itemUserCollection.entrySet();
Iterator>> iterator = entrySet.iterator();
while(iterator.hasNext()){
Set 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:");
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 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：
