这里提供一个基于用户的协同过滤推荐算法的Java代码示例：
```java
public class UserCF {
// 用户-物品评分矩阵
private Map<Integer, Map<Integer, Double>> userItemScoreMap;
// 用户之间的相似度矩阵
private Map<Integer, Map<Integer, Double>> userSimMap;
public UserCF(Map<Integer, Map<Integer, Double>> userItemScoreMap) {
this.userItemScoreMap = userItemScoreMap;
this.userSimMap = new HashMap<>();
}
/**
* 计算用户之间的相似度
*/
private void calcUserSim() {
for (Integer user1 : userItemScoreMap.keySet()) {
for (Integer user2 : userItemScoreMap.keySet()) {
if (user1.equals(user2)) {
continue;
}
double sim = getUserSim(user1, user2);
if (sim > 0) {
Map<Integer, Double> userSimMap1 = userSimMap.getOrDefault(user1, new HashMap<>());
userSimMap1.put(user2, sim);
userSimMap.put(user1, userSimMap1);
}
}
}
}
/**
* 计算用户之间的相似度
*/
private double getUserSim(int user1, int user2) {
Map<Integer, Double> user1ItemScoreMap = userItemScoreMap.get(user1);
Map<Integer, Double> user2ItemScoreMap = userItemScoreMap.get(user2);
double dotProduct = 0; // 用户1和用户2共同评分的物品的评分乘积之和
double norm1 = 0; // 用户1的评分向量的模
double norm2 = 0; // 用户2的评分向量的模
for (Integer item : user1ItemScoreMap.keySet()) {
if (user2ItemScoreMap.containsKey(item)) {
dotProduct += user1ItemScoreMap.get(item) * user2ItemScoreMap.get(item);
}
norm1 += user1ItemScoreMap.get(item) * user1ItemScoreMap.get(item);
}
for (Integer item : user2ItemScoreMap.keySet()) {
norm2 += user2ItemScoreMap.get(item) * user2ItemScoreMap.get(item);
}
double denominator = Math.sqrt(norm1) * Math.sqrt(norm2);
if (denominator == 0) {
return 0;
}
return dotProduct / denominator;
}
/**
* 推荐TopN个物品给指定用户
*
* @param userId 指定用户
* @param topN 推荐的物品数
* @return 推荐的物品列表
*/
public List<Integer> recommend(int userId, int topN) {
calcUserSim();
Map<Integer, Double> itemScoreMap = new HashMap<>(); // 物品评分累加器
Map<Integer, Double> userSimMap1 = userSimMap.get(userId);
for (Integer user : userSimMap1.keySet()) {
double sim = userSimMap1.get(user);
Map<Integer, Double> userItemScoreMap1 = userItemScoreMap.get(user);
for (Integer item : userItemScoreMap1.keySet()) {
if (!userItemScoreMap.get(userId).containsKey(item)) {
double itemScore = userItemScoreMap1.get(item);
itemScoreMap.put(item, itemScoreMap.getOrDefault(item, 0.0) + sim * itemScore);
}
}
}
List<Integer> itemList = new ArrayList<>(itemScoreMap.keySet());
Collections.sort(itemList, (a, b) -> Double.compare(itemScoreMap.get(b), itemScoreMap.get(a)));
return itemList.subList(0, Math.min(topN, itemList.size()));
}
}
```
使用示例：
```java
Map<Integer, Map<Integer, Double>> userItemScoreMap = new HashMap<>();
userItemScoreMap.put(1, Map.of(1, 5.0, 2, 3.0, 3, 4.0));
userItemScoreMap.put(2, Map.of(1, 4.0, 2, 4.0, 3, 3.0, 4, 5.0));
userItemScoreMap.put(3, Map.of(1, 4.0, 3, 5.0, 4, 3.0));
userItemScoreMap.put(4, Map.of(2, 5.0, 3, 2.0, 4, 4.0));
UserCF userCF = new UserCF(userItemScoreMap);
List<Integer> itemList = userCF.recommend(1, 2);
System.out.println(itemList); // [4, 1]
```
以上代码实现了基于用户的协同过滤推荐算法，通过用户之间的相似度来推荐物品。具体来说，先构建用户-物品评分矩阵，然后计算用户之间的相似度，最后根据指定用户的相似用户和相似度，以及相似用户对其他物品的评分，计算指定用户对其他物品的评分，并推荐TopN个物品。
超级会员免费看
订阅专栏 解锁全文
222
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
