推荐算法在商城系统实践

最新推荐文章于 2024-02-13 17:52:38 发布

搬山道猿

最新推荐文章于 2024-02-13 17:52:38 发布

阅读量1k

点赞数 1

文章标签：推荐算法算法机器学习

本文链接：https://blog.csdn.net/2301_76607156/article/details/130052359

版权

本文介绍了如何在newbee-mall-pro电商项目中应用协同过滤算法，包括用户协同过滤(UserCF)和物品协同过滤(ItemCF)，通过数据收集、相似度计算、推荐生成和评估优化，提升推荐系统的效果，解决信息过载问题。同时，讨论了冷启动问题和不同协同策略的适用场景。

摘要由CSDN通过智能技术生成

一、简介

本文博主给大家讲解如何在自己开源的电商项目newbee-mall-pro中应用协同过滤算法来达到给用户更好的购物体验效果。

newbee-mall-pro项目地址:

源码地址：github.com/wayn111/new…
在线地址：http://121.4.124.33/newbeemall

二、协同过滤算法

协同过滤算法是一种基于用户或者物品的相似度来推荐商品的方法，它可以有效地解决商城系统中的信息过载问题。协同过滤算法的实践主要包括以下几个步骤：

数据收集和预处理。这一步需要从商城系统中获取用户的行为数据，如浏览、购买、评价等，然后进行一些必要的清洗和转换，以便后续的分析和计算。
相似度计算。这一步需要根据用户或者物品的特征或者行为，采用合适的相似度度量方法，如余弦相似度、皮尔逊相关系数、Jaccard指数等，来计算用户之间或者物品之间的相似度矩阵。
推荐生成。这一步需要根据相似度矩阵和用户的历史行为，采用合适的推荐策略，如基于邻域的方法、基于模型的方法、基于矩阵分解的方法等，来生成针对每个用户的个性化推荐列表。
推荐评估和优化。这一步需要根据一些评价指标，如准确率、召回率、覆盖率、多样性等，来评估推荐系统的效果，并根据反馈信息和业务需求，进行一些参数调整和算法优化，以提高推荐系统的性能和用户满意度。

在原有的商城首页为你推荐栏目是使用后台配置的商品列表，基于人为配置。在项目商品用户持续增长的情况下，不一定能给用户推荐用户可能想要的商品。

因此在v2.4.1版本中，商城首页为你推荐栏目添加了协同过滤算法。按照UserCF基于用户的协同过滤、ItemCF基于物品的协同过滤。实现了两种不同的推荐逻辑。

UserCF：基于用户的协同过滤。当一个用户A需要个性化推荐的时候，我们可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的，而用户A没有听说过的物品推荐给A。

假设用户 A 喜欢物品 A、物品 C，用户 B 喜欢物品 B，用户 C 喜欢物品 A 、物品 C 和物品 D；从这些用户的历史喜好信息中，我们可以发现用户 A 和用户 C 的口味和偏好是比较类似的，同时用户 C 还喜欢物品 D，那么我们可以推断用户 A 可能也喜欢物品 D，因此可以将物品 D 推荐给用户 A。具体代码在 ltd.newbee.mall.recommend.core.UserCF 中。
itemCF：基于物品的协同过滤。预先根据所有用户的历史偏好数据计算物品之间的相似度，然后把与用户喜欢的物品相类似的物品推荐给用户。

假如用户A喜欢物品A和物品C，用户B喜欢物品A、物品B和物品C，用户C喜欢物品A，从这些用户的历史喜好中可以认为物品A与物品C比较类似，喜欢物品A的都喜欢物品C，基于这个判断用户C可能也喜欢物品C，所以推荐系统将物品C推荐给用户C。具体代码在 ltd.newbee.mall.recommend.core.ItemCF 中。

三、推荐算法代码实践

3.1 数据收集和预处理

在newbee-mall-pro中，我们基于用户下单的商品数据进行收集和预处理。

/**
 * 根据所有用户购买商品的记录进行数据手机
 *
 * @return List<RelateDTO>
 */
@Override
public List<RelateDTO> getRelateData() {
    List<RelateDTO> relateDTOList = new ArrayList<>();
    // 获取所有订单以及订单关联商品的集合
    List<Order> newBeeMallOrders = orderDao.selectOrderIds();