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:6Input user--items maping infermation:<eg:A a b d>aassdddjshgjh2415231424dsjkj dklsjf ladkjsfdf8g78dfg78 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>aassdd0aassdd--djshgjh相似度:NaNaassdd--2415231424相似度:NaNaassdd--dsjkj相似度:NaNaassdd--df8g78dfg78相似度:NaNaassdd--48787相似度:NaNThe item dklsjf for aassdd's recommended degree:NaNThe item sdfasd for aassdd's recommended degree:NaNThe item 8787 for aassdd's recommended degree:NaNThe 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！