协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。

协同过滤又可分为评比(rating)或者群体过滤(social filtering)协同过滤以其出色的速度和健壮性，在全球互联网领域炙手可热

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

* A a b d

* B a c

* C b e

* D c 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();

}

}

结果：

Input the total users number:

6

Input user--items maping infermation:

aassdd

djshgjh

2415231424

dsjkj dklsjf ladkjsf

df8g78dfg78 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:

aassdd

0

aassdd--djshgjh相似度:NaN

aassdd--2415231424相似度:NaN

aassdd--dsjkj相似度:NaN

aassdd--df8g78dfg78相似度:NaN

aassdd--48787相似度:NaN

The item dklsjf for aassdd's recommended degree:NaN

The item sdfasd for aassdd's recommended degree:NaN

The item 8787 for aassdd's recommended degree:NaN

The item ladkjsf for aassdd's recommended degree:NaN

总结

以上就是本文关于Java编程实现基于用户的协同过滤推荐算法代码示例的全部内容，希望对大家有所帮助。如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！