推荐系统算法 协同过滤算法详解（三）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 (nx).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@NoArgsConstructorpublic 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。