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。

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

* Aa b d

* Ba c

* Cb e

* Dc 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 userItemLength = new HashMap<>();//存储每一个用户对应的不同物品总数 eg: A 3

Map> itemUserCollection = new HashMap<>();//建立物品到用户的倒排表 eg: a A B

Set items = new HashSet<>();//辅助存储物品集合

Map userID = new HashMap<>();//辅助存储每一个用户的用户ID映射

Map 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:");

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 3

userID.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());//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>> entrySet = itemUserCollection.entrySet();

Iterator>> iterator = entrySet.iterator();

while(iterator.hasNext()){

Set 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:");

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 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();

}

}