協同過濾簡單來說是利用某興趣相投、擁有共同經驗之群體的喜好來推薦用戶感興趣的信息，個人通過合作的機制給予信息相當程度的回應（如評分）並記錄下來以達到過濾的目的進而幫助別人篩選信息，回應不一定局限於特別感興趣的，特別不感興趣信息的紀錄也相當重要。
協同過濾又可分為評比（rating）或者群體過濾（social filtering）協同過濾以其出色的速度和健壯性，在全球互聯網領域炙手可熱
UserCF的核心思想即為根據用戶數據模擬向量相似度，我們根據這個相似度，來找出指定用戶的相似用戶，然後將相似用戶買過的而指定用戶沒有買的東西推薦給指定用戶，推薦度的計算也是結合了相似用戶與指定用戶的相似度累加。注意這裡我們默認是用戶的隱反饋行為，所以每一個物品的影響因子默認為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;/** * 基於用戶的協同過濾推薦算法實現A abd B ac C be D cde * @author Administrator * */public class UserCF {public static void main(String[] args) {/** * 輸入用戶-->物品條目一個用戶對應多個物品* 用戶ID 物品ID集合* A abd * B ac * C be * D cde */Scanner scanner = new Scanner(System.in);System.out.println("Input the total users number:");//輸入用戶總量int N = scanner.nextint();int[][] sparseMatrix = new int[N][N];//建立用戶稀疏矩陣，用於用戶相似度計算【相似度矩陣】 Map<String, Integer> userItemLength = new HashMap<>();//存儲每一個用戶對應的不同物品總數eg: A 3 Map<String, Set<String>> itemUserCollection = new HashMap<>();//建立物品到用戶的倒排表eg: a AB Set<String> items = new HashSet<>();//輔助存儲物品集合Map<String, Integer> userID = new HashMap<>();//輔助存儲每一個用戶的用戶ID映射Map<Integer, String> idUser = new HashMap<>();//輔助存儲每一個ID對應的用戶映射System.out.println("Input user--items maping infermation:<eg:A ab d>");scanner.nextLine();for (int i = 0; i < N ; i++){//依次處理N個用戶輸入數據以空格間隔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);//用戶ID與稀疏矩陣建立對應關係idUser.put(i, user_item[0]);//建立物品--用戶倒排表for (int j = 1; j < length; j ++){if(items.contains(user_item[j])){//如果已經包含對應的物品--用戶映射，直接添加對應的用戶itemUserCollection.get(user_item[j]).add(user_item[0]);} else{//否則創建對應物品--用戶集合映射items.add(user_item[j]);itemUserCollection.put(user_item[j], new HashSet<String>());//創建物品--用戶倒排關係itemUserCollection.get(user_item[j]).add(user_item[0]);}}}System.out.println(itemUserCollection.toString());//計算相似度矩陣【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;//計算用戶u與用戶v都有正反饋的物品總數}}}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));//計算用戶之間的相似度【餘弦相似性】 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))));}}//計算指定用戶recommendUser的物品推薦度for (String item: items){//遍歷每一件物品Set<String> users = itemUserCollection.get(item);//得到購買當前物品的所有用戶集合if(!users.contains(recommendUser)){//如果被推薦用戶沒有購買當前物品，則進行推薦度計算double itemRecommendDegree = 0.0;for (String user: users){itemRecommendDegree += sparseMatrix[userID.get(recommendUser)][userID.get(user)]/Math.sqrt(userItemLength.get(recommendUser)*userItemLength.get(user));//推薦度計算}System.out.println("The item "+item+" for "+recommendUser +"'s recommended degree:"+itemRecommendDegree);}}scanner.close();}}結果：
Input the total users number:6Input user--items maping infermation:<eg:A ab 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總結
以上就是本文關於Java編程實現基於用戶的協同過濾推薦算法代碼示例的全部內容，希望對大家有所幫助。如有不足之處，歡迎留言指出。感謝朋友們對本站的支持！