admin管理员组

文章数量:817342

基于用户的协同过滤推荐算法java实现(UserCF)

   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。

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 3Map<String, Set<String>> itemUserCollection = new HashMap<>();//建立物品到用户的倒排表 eg: a A BSet<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 3userID.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();}}


 

本文标签: 基于用户的协同过滤推荐算法java实现(UserCF)