基于协同过滤算法实现选课推荐系统

新版本教务管理系统

教务管理系统选课功能

1.系统功能

1、用户账户管理
2、学生个人信息的查看与修改
3、学生的网上选课与课程的评分
4、教师个人信息的查看与修改
5、教师对学生课程评价结果的查看
6、管理员对学生信息与教师信息的查看与添加
7、管理员对课程的增删改查
8、管理员对课程评价结果的统计与删除。
9、根据学生对课程评分的高低，在学生选课时进行推荐。

2、推荐算法的实现思路

欧氏距离相似性度量

在数学中，欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”（即直线）距离。使用这个距离，欧氏空间成为度量空间。相关联的范数称为欧几里得范数。
二维空间的公式

基于用户的协同过滤算法

基于一个这样的假设“跟你喜好相似的人喜欢的东西你也很有可能喜欢。”所以基于用户的协同过滤主要的任务就是找出用户的最近邻居，从而根据最近邻居的喜好做出未知项的评分预测。这种算法主要分为3个步骤：

用户评分
可以分为显性评分和隐形评分两种。显性评分就是直接给项目评分（例如用户对电影评分），隐形评分就是通过评价或是购买的行为给项目评分（例如淘宝上购买东西或者评论）。
寻找最近邻居
这一步就是寻找与你距离最近的用户，测算距离一般采用以下三种算法：余弦定理相似性度量、欧氏距离相似度度量和杰卡德相似性度量。后面的demo会以欧氏距离相似度度量进行说明。
推荐
产生了最近邻居集合后，就根据这个集合对未知项进行评分预测。把评分最高的N个项推荐给用户。

这种算法存在性能上的瓶颈，当用户数越来越多的时候，寻找最近邻居的复杂度也会大幅度的增长。

参考：https://www.jianshu.com/p/d0df3ead55a1

package cn.ltysyn.task;import static org.springframework.test.web.servlet.request.MockMvcRequestBuilders.get;import java.util.ArrayList;
import java.util.Collections;
import java.util.Comparator;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.scheduling.annotation.Scheduled;
import org.springframework.stereotype.Component;import cn.ltysyn.bean.Course;
import cn.ltysyn.bean.Student;
import cn.ltysyn.service.ICourseService;
import cn.ltysyn.service.IElectiveService;
import cn.ltysyn.service.IRecommendService;
import cn.ltysyn.service.IStudentService;@Component
public class MyCFRecomment {//获取学生编号@Autowiredprivate IStudentService studentService;//获取课程信息@Autowiredprivate ICourseService courseService;//获取评分的信息@Autowiredprivate IElectiveService electiveService;@Autowiredprivate IRecommendService iRecommendService;//    //创建用户信息
//  //private List<Integer> stuList = new ArrayList<Integer>();
//  private static int[] stuArr = {1,2,3};
//  //创建课程信息
//  private static int[] couArr = {10,20,30};
//  //创建评分的集合 （学生 id ， 分数集合）
//  private static Map<Integer,List<CourtsGoal>> goalMap = new HashMap<Integer, List<CourtsGoal>>();@Scheduled(cron = "0 0/10 * * * ?")  public void recommend() {//获取到所有的学生List<Student> selectAllStudent = studentService.selectAllStudent();//获取所有的课程//获取评分信息  根据学生id 和课程id 获取评分信息if(selectAllStudent.size()!=0) {Map<Integer,List<CourtsGoal>> goalMap = new HashMap<Integer, List<CourtsGoal>>();List<Integer> stuList = new ArrayList<Integer>();List<Course> selectAllCourse = (List<Course>) courseService.selectAllCourse();for(Student stu:selectAllStudent) {List<CourtsGoal> courtsGoals = new ArrayList<CourtsGoal>();for(Course cou:selectAllCourse) {CourtsGoal courtsGoal = new CourtsGoal();Integer goal = electiveService.selectByStuAndCourseId(stu.getStuId(),cou.getCourseId());courtsGoal.setCourtsId(cou.getCourseId());courtsGoal.setGoal(goal);courtsGoals.add(courtsGoal);}//获取到学生与课程评分的关系数据goalMap.put(stu.getStuId(), courtsGoals);stuList.add(stu.getStuId());}System.out.println(goalMap);//System.out.println(selectAllCourse);//计算用户相似度Map<Integer,List<List<Object>>> dataMap = calcUserSimilarity(stuList.toArray(),goalMap);//计算课程的推荐度Map<Integer, List<Object>> recommendCourse = calcRecommendCourse(dataMap,goalMap);//处理推荐电影列表Map<Integer, List<Object>> handleRecommendCourse = handleRecommendCourse(recommendCourse,goalMap);//删除所有推荐列表信息delectAllRecommendCourse();//保存推荐列表信息saveRecommendCourse(handleRecommendCourse);//删除重复的推荐信息//repeatRecomendCourse();}else {}}private void repeatRecomendCourse() {// TODO Auto-generated method stubiRecommendService.repeatRecomendCourse();}private void delectAllRecommendCourse() {// TODO Auto-generated method stubiRecommendService.delectAllRecommendCourse();}private void saveRecommendCourse(Map<Integer, List<Object>> handleRecommendCourse) {// TODO Auto-generated method stubiRecommendService.saveRecommendCourse(handleRecommendCourse);}  /** public static void main(String[] args) { System.out.println(goalMap);* //计算用户相似度 Map<Integer,List<List<Object>>> dataMap =* calcUserSimilarity(stuArr,goalMap); //计算课程的推荐度 Map<Integer, List<Object>>* recommendCourse = calcRecommendCourse(dataMap,goalMap); //处理推荐电影列表* handleRecommendCourse(recommendCourse,goalMap); }*/private static Map<Integer, List<Object>> handleRecommendCourse(Map<Integer, List<Object>> recommendCourse,Map<Integer,List<CourtsGoal>> goalMap) {Map<Integer, List<Object>> handleRecommendCourse = new HashMap<Integer, List<Object>>();for(Map.Entry<Integer,List<Object>> reco:recommendCourse.entrySet()) {//拿到推荐列表List<Object> re_l = reco.getValue();List<Object> handleCourse = new ArrayList<Object>();for(Object obj:re_l) {List<CourtsGoal> list = goalMap.get(reco.getKey());for(CourtsGoal c_goal:list) {if(Integer.parseInt(obj.toString())==c_goal.getCourtsId()) {if(c_goal.getGoal()==0) {handleCourse.add(c_goal.getCourtsId());}}}}handleRecommendCourse.put(reco.getKey(), handleCourse);}System.out.println("最终推荐列表"+handleRecommendCourse);return handleRecommendCourse;}/** 计算用户相似度 * 返回最相近的两个*/public static Map<Integer,List<List<Object>>> calcUserSimilarity(Object[] stuArr_p,Map<Integer,List<CourtsGoal>> goalMap_p) {//similarityUsers=new ArrayList();//遍历学生 求出当前学生与其他学生的相似度//相似用户集合Map<Integer,List<List<Object>>> dataMap = new HashMap<Integer, List<List<Object>>>();for(Object stu:stuArr_p) {//取两个相似的List<List<Object>> similarityUsers= new ArrayList();List<List<Object>> userSimilaritys=new ArrayList<List<Object>>();//遍历goalMap_p for(Map.Entry<Integer,List<CourtsGoal>> goal:goalMap_p.entrySet()) {//如果当前的学生 和 存储的 key相等 则跳过if(stu.toString().equals(goal.getKey().toString())) {continue;}List<Object> userSimilarity=new ArrayList<Object>();//记录当前的学生编号userSimilarity.add(goal.getKey());userSimilarity.add(calcTwoUserSimilarity(goal.getValue(),goalMap_p.get((Integer)stu)));userSimilaritys.add(userSimilarity);}sortCollection(userSimilaritys);System.out.println("与"+stu+"的相似度为："+userSimilaritys);similarityUsers.add(userSimilaritys.get(0));similarityUsers.add(userSimilaritys.get(1));dataMap.put((Integer)stu, similarityUsers);}System.out.println(dataMap);//表示该学生 与其他两个学生的相似度为多少return dataMap;}/*** 获取全部推荐课程,计算平均课程推荐度*/private static Map<Integer,List<Object>> calcRecommendCourse(Map<Integer,List<List<Object>>> dataMap,Map<Integer,List<CourtsGoal>> goalMap){Map<Integer,List<List<Object>>> cf_map =  new HashMap<Integer, List<List<Object>>>();//存储没有课程的总的推荐分数Map<Integer,Double> cf_sumRate =  new HashMap<Integer, Double>();//遍历dataMap  分别拿到不同的学生  推荐的课程for(Map.Entry<Integer,List<List<Object>>> data:dataMap.entrySet()) {double recommdRate=0,sumRate=0;//拿到的是哪个用户  第一个//data.getValue().get(0).get(0);//拿到该用户的相识度值 第一个double xs_1 = Double.parseDouble(data.getValue().get(0).get(1).toString());//拿到的是哪个用户  第二个//data.getValue().get(1).get(0);//拿到该用户的相识度值 第二个double xs_2 = Double.parseDouble(data.getValue().get(1).get(1).toString());List<CourtsGoal> list_1 = goalMap.get(data.getValue().get(0).get(0));List<CourtsGoal> list_2 = goalMap.get(data.getValue().get(1).get(0));if(list_1.size()==list_2.size()) {List<List<Object>> recommendCourts = new ArrayList<List<Object>>();for(int i=0;i<list_1.size();i++) {List<Object>  recommendCourt=new ArrayList();recommdRate = list_1.get(i).getGoal() * xs_1 + list_2.get(i).getGoal() * xs_2;//添加课程recommendCourt.add(list_1.get(i).getCourtsId());//添加该课程推荐度recommendCourt.add(recommdRate);//被推荐的用户 、课程、课程的推荐度//System.err.println("用户"+data.getKey()+"课程"+list_1.get(i)+":"+recommdRate);recommendCourts.add(recommendCourt);sumRate+=recommdRate;}cf_map.put(data.getKey(), recommendCourts);cf_sumRate.put(data.getKey(), sumRate);}//for(CourtsGoal cGoal:list_1) {//System.out.println("给用户"+data.getKey()+"推荐的用户是："+data.getValue().get(0).get(0)+"相似值是："+data.getValue().get(0).get(1)+"课程信息"+cGoal.getCourtsId()+"评分"+cGoal.getGoal());//}}System.err.println(cf_map);System.out.println(cf_sumRate);//当前集合存放的是  给 key  推荐的课程集合Map<Integer,List<Object>> target_map = new HashMap<Integer, List<Object>>();for(Map.Entry<Integer,List<List<Object>>> cf_d:cf_map.entrySet()) {List<Object> targetRecommendCourts = new ArrayList<Object>();for(List<Object> obj:cf_d.getValue()) {if(Double.parseDouble(obj.get(1).toString()) > cf_sumRate.get(cf_d.getKey())/cf_d.getValue().size()){ //大于平均推荐度的商品才有可能被推荐targetRecommendCourts.add(obj.get(0));}}target_map.put(cf_d.getKey(), targetRecommendCourts);}System.out.println("最终："+target_map);return target_map;}/*** 根据用户数据，计算用户相似度（欧氏距离）* @param user1Stars 其他用户评价分数* @param user2Starts  当前用户评价的分数* @return*/private static double calcTwoUserSimilarity(List<CourtsGoal> user1Stars,List<CourtsGoal> user2Starts){float sum=0;for(int i=0;i<user1Stars.size();i++){sum+=Math.pow(user1Stars.get(i).getGoal()-user2Starts.get(i).getGoal(),2);//平方}return Math.sqrt(sum);//开方}/*** 集合排序* @param list*/private static void sortCollection(List<List<Object>> list){Collections.sort(list, new Comparator<List<Object>>() {@Overridepublic int compare(List<Object> o1, List<Object> o2) {if(Double.valueOf(o1.get(1).toString()) > Double.valueOf(o2.get(1).toString())){return 1;}else if(Double.valueOf(o1.get(1).toString()) < Double.valueOf(o2.get(1).toString())){return -1;}else{return 0;}}});}}

系统功能截图

等

基于协同过滤算法实现选课推荐系统相关推荐

【毕业设计_课程设计】基于协同过滤算法的个性化推荐系统（源码+论文）
文章目录 0 项目说明 1 研究目的 2 研究方法 3 系统设计 3.1 前台模块 3.1.1 首页 3.1.2 个人中心 3.1.3 发布者中心 3.2 后台模块 3.2.1 首页 3.2.2 新闻 ...
计算机毕业设计之java+ssm基于协同过滤算法的图书推荐系统
计算机毕业设计之java+ssm基于协同过滤算法的图书推荐系统项目介绍 "互联网:"的战略实施后,很多行业的信息化水平都有了很大的提升.但是目前很多行业的管理仍是通过人工管理的方 ...
计算机毕业设计ssm基于协同过滤算法的甜品推荐系统uhnk3系统+程序+源码+lw+远程部署
计算机毕业设计ssm基于协同过滤算法的甜品推荐系统uhnk3系统+程序+源码+lw+远程部署计算机毕业设计ssm基于协同过滤算法的甜品推荐系统uhnk3系统+程序+源码+lw+远程部署本源码技术栈 ...
（附源码）计算机毕业设计SSM基于协同过滤算法的甜品推荐系统
(附源码)计算机毕业设计SSM基于协同过滤算法的甜品推荐系统项目运行环境配置: Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclisp ...
基于协同过滤算法的电影推荐系统
目录前言 R语言电影推荐系统案例及代码数据准备数据预处理建立模型前言电影推荐系统是数学建模培训中一次例题,网上对相同类型的模型已有答案,但相关代码跑起来仍然存在些许bug,本文基于同类 ...
毕业设计-基于协同过滤算法的旅游推荐系统
目录前言课题背景和意义实现技术思路一.协同过滤算法的概念二.旅游景点推荐系统设计与实现三.总结实现效果图样例最后前言
【计算机毕业设计】Java基于协同过滤算法的音乐推荐系统
毕设帮助.开题指导.源码交流,联系方式见文末.. 音乐检索系统的开发目的是使音乐检索模式转变成信息管理,为音乐检索人员提供方便条件.对音乐检索的实际情况进行调研之后,进行详细的需求分析,对现有的管理模 ...
[附源码]Python计算机毕业设计SSM基于协同过滤算法的甜品推荐系统（程序+LW)
项目运行环境配置: Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclis ...
ssm+jsp计算机毕业设计基于协同过滤算法的旅游推荐系统a8749（程序+lw+源码+远程部署）.
项目运行项目含有源码(见文末).文档.程序.数据库.配套开发软件.软件安装教程环境配置: Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ E ...