Java 實現(xiàn)協(xié)同過濾算法推薦算法的示例代碼

更新時間：2025年02月15日 16:06:56 作者：M-bao

本文介紹了協(xié)同過濾算法的概念,包括基于用戶的協(xié)同過濾和基于物品的協(xié)同過濾,文章詳細解釋了數(shù)據準備、相似度計算以及如何在Java中實現(xiàn)這些算法,通過一個簡單的用戶-物品評分矩陣示例,展示了如何計算用戶和物品之間的相似度,并推薦未評分的物品,感興趣的朋友一起看看吧

1. 什么是協(xié)同過濾

協(xié)同過濾主要分為兩種類型：

基于用戶的協(xié)同過濾：根據用戶之間的相似性推薦物品。例如，如果用戶A和用戶B的評分相似，那么用戶A喜歡的物品也可能會被推薦給用戶B。
基于物品的協(xié)同過濾：根據物品之間的相似性進行推薦。如果用戶對物品X給出了高評分，且物品Y與X相似，那么物品Y會被推薦給用戶。

2. 數(shù)據準備

在實現(xiàn)協(xié)同過濾之前，我們需要準備一個用戶-物品評分矩陣。以下是一個簡單的示例：

用戶/物品	物品1	物品2	物品3	物品4
用戶A	5	3	0	1
用戶B	4	0	0	1
用戶C	1	1	0	5
用戶D	0	0	5	4

在這個矩陣中，0表示用戶沒有評分。

3. 基于用戶的協(xié)同過濾實現(xiàn)

以下是基于用戶的協(xié)同過濾算法的簡單實現(xiàn)：

3.1 計算相似度

我們將使用余弦相似度來計算用戶之間的相似度。余弦相似度公式為：

cosine(A,B)=A⋅B∥A∥∥B∥\text{cosine}(A, B) = \frac{A \cdot B}{\|A\| \|B\|}cosine(A,B)=∥A∥∥B∥A⋅B?

3.2 Java 實現(xiàn)代碼

import java.util.HashMap;
import java.util.Map;
public class CollaborativeFiltering {
    // 用戶評分矩陣
    private static final Map<String, Map<String, Integer>> ratings = new HashMap<>();
    static {
        ratings.put("UserA", Map.of("Item1", 5, "Item2", 3, "Item4", 1));
        ratings.put("UserB", Map.of("Item1", 4, "Item4", 1));
        ratings.put("UserC", Map.of("Item2", 1, "Item4", 5));
        ratings.put("UserD", Map.of("Item3", 5, "Item4", 4));
    }
    // 計算余弦相似度
    private double cosineSimilarity(Map<String, Integer> ratings1, Map<String, Integer> ratings2) {
        double dotProduct = 0.0;
        double normA = 0.0;
        double normB = 0.0;
        for (String item : ratings1.keySet()) {
            if (ratings2.containsKey(item)) {
                dotProduct += ratings1.get(item) * ratings2.get(item);
            }
            normA += Math.pow(ratings1.get(item), 2);
        }
        for (double rating : ratings2.values()) {
            normB += Math.pow(rating, 2);
        }
        normA = Math.sqrt(normA);
        normB = Math.sqrt(normB);
        return (normA == 0 || normB == 0) ? 0 : dotProduct / (normA * normB);
    }
    // 為用戶推薦物品
    public Map<String, Double> recommendItems(String user) {
        Map<String, Integer> userRatings = ratings.get(user);
        Map<String, Double> scoreMap = new HashMap<>();
        for (String otherUser : ratings.keySet()) {
            if (!otherUser.equals(user)) {
                double similarity = cosineSimilarity(userRatings, ratings.get(otherUser));
                for (String item : ratings.get(otherUser).keySet()) {
                    if (!userRatings.containsKey(item)) {
                        scoreMap.put(item, scoreMap.getOrDefault(item, 0.0) + similarity * ratings.get(otherUser).get(item));
                    }
                }
            }
        }
        return scoreMap;
    }
    public static void main(String[] args) {
        CollaborativeFiltering cf = new CollaborativeFiltering();
        Map<String, Double> recommendations = cf.recommendItems("UserA");
        System.out.println("推薦物品給 UserA: " + recommendations);
    }
}

代碼解釋

用戶評分矩陣：使用嵌套的 Map 來存儲用戶對物品的評分。
余弦相似度計算：通過 cosineSimilarity 方法計算用戶之間的相似度。
推薦物品：在 recommendItems 方法中，遍歷所有用戶，計算相似度并為目標用戶推薦未評分的物品。

4. 基于物品的協(xié)同過濾實現(xiàn)

基于物品的協(xié)同過濾類似于用戶的實現(xiàn)，但我們需要首先計算物品之間的相似度。

4.1 Java 實現(xiàn)代碼

import java.util.HashMap;
import java.util.Map;
public class ItemBasedCollaborativeFiltering {
    private static final Map<String, Map<String, Integer>> ratings = new HashMap<>();
    static {
        ratings.put("UserA", Map.of("Item1", 5, "Item2", 3, "Item4", 1));
        ratings.put("UserB", Map.of("Item1", 4, "Item4", 1));
        ratings.put("UserC", Map.of("Item2", 1, "Item4", 5));
        ratings.put("UserD", Map.of("Item3", 5, "Item4", 4));
    }
    // 計算物品之間的余弦相似度
    private double cosineSimilarity(Map<String, Integer> item1, Map<String, Integer> item2) {
        // 與用戶的計算相似
        // 省略相似度計算的具體實現(xiàn)
        return 0.0; // 這里應返回實際計算的相似度
    }
    // 為用戶推薦物品
    public Map<String, Double> recommendItems(String user) {
        Map<String, Integer> userRatings = ratings.get(user);
        Map<String, Double> scoreMap = new HashMap<>();
        // 計算物品之間的相似度
        // 省略物品相似度計算和推薦邏輯的實現(xiàn)
        return scoreMap;
    }
    public static void main(String[] args) {
        ItemBasedCollaborativeFiltering ibcf = new ItemBasedCollaborativeFiltering();
        Map<String, Double> recommendations = ibcf.recommendItems("UserA");
        System.out.println("推薦物品給 UserA: " + recommendations);
    }
}

代碼解釋

基于物品的實現(xiàn)邏輯與用戶的類似，只是需要調整相似度計算的方式。
具體實現(xiàn)中需要計算物品評分的相似度，并為用戶推薦相似物品。

5. 結論

協(xié)同過濾算法是一種強大的推薦技術，能夠根據用戶的歷史行為和評分為用戶提供個性化的推薦。在 Java 中實現(xiàn)協(xié)同過濾算法需要對用戶評分數(shù)據進行處理，計算相似度，并生成推薦結果。通過上述示例，可以幫助你理解如何在實際項目中實現(xiàn)協(xié)同過濾推薦系統(tǒng)。

到此這篇關于Java 實現(xiàn)協(xié)同過濾算法推薦算法的文章就介紹到這了,更多相關java協(xié)同過濾算法推薦算法內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: