Springboot 实现基于用户和物品的协同过滤算法
目录
简介
协同过滤算法(简称CF)
算法详解
算法使用
基于用户
基于物品
总结
前言-与正文无关
生活远不止眼前的苦劳与奔波，它还充满了无数值得我们去体验和珍惜的美好事物。在这个快节奏的世界中，我们往往容易陷入工作的漩涡，忘记了停下脚步，感受周围的世界。让我们一起提醒自己，要适时放慢脚步，欣赏生活中的每一道风景，享受与家人朋友的温馨时光，发现那些平凡日子里隐藏的幸福时刻。因为，这些点点滴滴汇聚起来的，才是构成我们丰富多彩生活的本质。希望每个人都能在繁忙的生活中找到自己的快乐之源，不仅仅为了生存而工作，更为了更好的生活而生活。
送你张美图！希望你开心！
简介
协同过滤算法(简称CF)
在早期，协同过滤几乎等同于推荐系统。主要的功能是预测和推荐。协同过滤推荐算法分为两类，分别是：
（英文userCF）
基于用户的协同过滤算法(相似的用户可能喜欢相同物品)；这个一般适合推荐新闻和皮皮虾之类的，数据跟人有很大关系，而且信息是每日都是更新的。如果你推荐购物这种，因为一个新建的用户可能购买的商品不足全量商品万分之1，商品数据量大，人对商品购买少，很难找到相似的人；随着用户和物品数量的增加，计算复杂度增加，所以需要这种更适合第二种算法。
（英文itemCF）
基于物品的协同过滤算法（这种方法通过分析物品之间的相似性，根据用户喜欢的物品，，推荐最大相似度其他物品。比如用户喜欢物品A，然后通过算法的出物品C和A的相似度极高，那么用户有可能喜欢物品C）。当然也有缺点:需要足够的用户-物品交互数据来找出物品之间的相似性。
算法详解
如果想知道算法细节可以看我的皮尔森相关系数介绍，这边只是代码级别
推荐系统算法 协同过滤算法详解（二）皮尔森相关系数-CSDN博客
算法使用
下面例子都是基于电影推荐系统做的，向用户推荐喜欢的电影。核心有几个字段，1用户id，2电影id，3是评分。如果你不是电影推荐而是其他，其实代码都一样，逻辑也都大差不差。
核心协同过滤算法类，不管你是基于用户，还是基于商品电影都需要，使用的是皮尔森相关系数
package com.tarzan.recommend.core;
import com.tarzan.recommend.dto.RelateDTO;
import org.assertj.core.util.Lists;
import java.util.*;
import java.util.stream.IntStream;
/**
* 核心算法
*
*/
public class CoreMath {
/**
* 计算相关系数并排序
* @param key
* @param map
* @return Map
*/
public static Map computeNeighbor(Integer key, Map> map,int type) {
Map distMap = new TreeMap<>();
List userItems=map.get(key);
map.forEach((k,v)->{
//排除此用户
if(!k.equals(key)){
//关系系数
double coefficient = relateDist(v,userItems,type);
//关系距离
// double distance=Math.abs(coefficient);
distMap.put(k,coefficient);
}
});
return distMap;
}
/**
* 计算两个序列间的相关系数
*
* @param xList
* @param yList
* @param type 类型0基于用户推荐 1基于物品推荐
* @return double
*/
private static double relateDist(List xList, List yList,int type) {
List xs= Lists.newArrayList();
List ys= Lists.newArrayList();
xList.forEach(x->{
yList.forEach(y->{
if(type==0){
if(x.getItemId().equals(y.getItemId())){
xs.add(x.getIndex());
ys.add(y.getIndex());
}
}else{
if(x.getUseId().equals(y.getUseId())){
xs.add(x.getIndex());
ys.add(y.getIndex());
}
}
});
});
return getRelate(xs,ys);
}
/**
* 方法描述: 皮尔森（pearson）相关系数计算
*
* @param xs x集合
* @param ys y集合
*/
public static double getRelate(List xs, List ys){
int n=xs.size();
//至少有两个元素
if (n<2) {
return 0D;
}
double Ex= xs.stream().mapToDouble(x->x).sum();
double Ey=ys.stream().mapToDouble(y->y).sum();
double Ex2=xs.stream().mapToDouble(x->Math.pow(x,2)).sum();
double Ey2=ys.stream().mapToDouble(y->Math.pow(y,2)).sum();
double Exy= IntStream.range(0,n).mapToDouble(i->xs.get(i)*ys.get(i)).sum();
double numerator=Exy-Ex*Ey/n;
double denominator=Math.sqrt((Ex2-Math.pow(Ex,2)/n)*(Ey2-Math.pow(Ey,2)/n));
if (denominator==0) {
return 0D;
}
return numerator/denominator;
}
}
实体类
package com.tarzan.recommend.dto;
import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor;
/**
* 关系数据
*
*/
@Data
@AllArgsConstructor
@NoArgsConstructor
public class RelateDTO {
/** 用户id */
private Integer useId;
/** 电影id */
private Integer itemId;
/** 评分 */
private Double index;
}
基于用户
入参是你要给推荐具体电影的当前用户id，
package com.tarzan.recommend.service;
import com.tarzan.recommend.core.ItemCF;
import com.tarzan.recommend.core.UserCF;
import com.tarzan.recommend.dto.ItemDTO;
import com.tarzan.recommend.dto.RelateDTO;
import java.util.List;
import java.util.stream.Collectors;
/**
* 推荐服务
*
*/
public class Recommend{
/**
* 方法描述: 猜你喜欢
*
* @param userId 用户id
*/
public static List userCfRecommend(int userId){
List data= Sql获取不同用户对不同电影评分关系;
// 获取到推荐的电影id
List recommendations = UserCF.recommend(userId, data);
return recommendations ;
}
} package com.tarzan.recommend.core;
import com.tarzan.recommend.dto.RelateDTO;
import java.util.*;
import java.util.stream.Collectors;
/**
* 核心算法
*
* @since JDK1.8
*/
public class ItemCF {
/**
* 方法描述: 推荐电影id列表
*
* @param itemId 当前电影id
* @param list 用户电影评分数据
* @return {@link List}
*/
public static List recommend(Integer itemId, List list) {
//按物品分组
Map> itemMap=list.stream().collect(Collectors.groupingBy(RelateDTO::getItemId));
//获取其他物品与当前物品的关系值
Map itemDisMap = CoreMath.computeNeighbor(itemId, itemMap,1);
//获取关系最近物品
double maxValue=Collections.max(itemDisMap.values());
return itemDisMap.entrySet().stream().filter(e->e.getValue()==maxValue).map(Map.Entry::getKey).collect(Collectors.toList());
}
}
基于物品
入参是当前用户曾经评过高分的电影id，以此通过算法推荐和此电影相似度高的电影
package com.tarzan.recommend.service;
import com.tarzan.recommend.core.ItemCF;
import com.tarzan.recommend.core.UserCF;
import com.tarzan.recommend.dto.ItemDTO;
import com.tarzan.recommend.dto.RelateDTO;
import java.util.List;
import java.util.stream.Collectors;
/**
* 推荐服务
*
*/
public class Recommend{
/**
* 方法描述: 猜你喜欢
*
* @param itemId 电影id
*/
public static List userCfRecommend(int userId){
List data= Sql获取不同用户对不同电影评分关系;
// 获取到推荐的电影id
List recommendations = ItemCF.recommend(itemId, data);
return recommendations ;
}
} 总结
建议使用基于物品的协同过滤算法，基于物品协同过滤可以预先计算好物品间的相似度，在线查询要比基于用户快的多，且基于物品实际效果质量一般比基于用户高，但这个也不是绝对的，像是抖音这中视频都是最新更新的还是基于用户靠谱。
系数计算要保证，分数值至少每行两个首要条件，其次对比值要多，少的话就没有那么理想结果
------------------------------------------与正文内容无关------------------------------------
如果觉的文章写对各位读者老爷们有帮助的话，麻烦点赞加关注呗！作者在这拜谢了!
混口饭吃了！如果你需要Java 、Python毕设、商务合作、技术交流、就业指导、技术支持度过试用期。请在关注私信我，本人看到一定马上回复！
这是我全部文章所在目录，看看是否有你需要的，如果遇到觉得不对地方请留言，看到后我会查阅进行改正。
A乐神-CSDN博客
关注在文章左上角，作者信息处。
