基于协同过滤算法的电影推荐

基于协同过滤算法的电影推荐

电影推荐系统使用了基于**协同过滤（Collaborative Filtering）的算法来生成推荐。具体来说，使用了基于用户的协同过滤（User-Based Collaborative Filtering）**算法，步骤如下：

1. 数据预处理：将用户对电影的评分数据读入内存，形成一个用户-电影评分矩阵。
2. 相似度计算：使用余弦相似度计算目标用户与其他用户之间的相似度。
3. 评分预测：根据相似度和其他用户的评分，对目标用户未评分的电影进行评分预测。
4. 生成推荐：选取评分预测值最高的前N部电影作为推荐结果。

以下是详细的代码及其解释：

package com.sf;

import java.util.*;

public class MovieRecommendation {

    // 示例评分矩阵
    // 行表示用户，列表示电影
    // 元素值表示用户对电影的评分，0表示未评分
    static double[][] ratings = {
            {4, 0, 0, 5, 1, 0, 0},
            {5, 5, 4, 0, 0, 0, 0},
            {0, 0, 0, 2, 4, 5, 0},
            {0, 3, 0, 0, 0, 0, 3}
    };

    // 计算两个用户之间的余弦相似度
    public static double cosineSimilarity(double[] user1, double[] user2) {
        double dotProduct = 0.0;
        double normUser1 = 0.0;
        double normUser2 = 0.0;
        for (int i = 0; i < user1.length; i++) {
            dotProduct += user1[i] * user2[i]; // 计算点积
            normUser1 += Math.pow(user1[i], 2); // 计算用户1的向量模
            normUser2 += Math.pow(user2[i], 2); // 计算用户2的向量模
        }
        return dotProduct / (Math.sqrt(normUser1) * Math.sqrt(normUser2)); // 返回余弦相似度
    }

    // 为特定用户生成电影推荐
    public static List<Integer> recommendMovies(int userId, int topN) {
        double[] userRatings = ratings[userId]; // 获取目标用户的评分数据
        double[] similarityScores = new double[ratings.length]; // 用于存储相似度得分

        // 计算目标用户与其他所有用户的相似度得分
        for (int i = 0; i < ratings.length; i++) {
            if (i != userId) {
                similarityScores[i] = cosineSimilarity(userRatings, ratings[i]);
            }
        }

        // 计算每部电影的加权得分
        double[] weightedScores = new double[ratings[0].length];
        for (int i = 0; i < ratings.length; i++) {
            if (i != userId) {
                for (int j = 0; j < ratings[i].length; j++) {
                    weightedScores[j] += similarityScores[i] * ratings[i][j]; // 累加加权得分
                }
            }
        }

        // 创建一个优先队列，用于存储按得分排序的电影
        PriorityQueue<Integer> pq = new PriorityQueue<>((a, b) -> Double.compare(weightedScores[b], weightedScores[a]));

        // 将未评分的电影加入优先队列
        for (int i = 0; i < userRatings.length; i++) {
            if (userRatings[i] == 0) {
                pq.offer(i);
            }
        }

        // 获取前N部推荐电影
        List<Integer> recommendedMovies = new ArrayList<>();
        for (int i = 0; i < topN && !pq.isEmpty(); i++) {
            recommendedMovies.add(pq.poll());
        }

        return recommendedMovies;
    }

    public static void main(String[] args) {
        int userId = 0; // 假设我们为用户ID 0 生成推荐
        int topN = 3; // 推荐前3部电影

        List<Integer> recommendations = recommendMovies(userId, topN);

        // 输出推荐结果
        System.out.println("推荐给用户 " + userId + " 的电影ID是：" + recommendations);
    }
}

详细解释

1. 数据预处理：代码中的 ratings 矩阵是用户对电影的评分数据。行表示不同的用户，列表示不同的电影，元素值表示评分，0表示该用户未对该电影评分。

2. 余弦相似度计算：cosineSimilarity 方法用于计算两个用户之间的相似度。公式如下：

   

   其中，A 和 B 是两个用户的评分向量。

3. 评分预测和加权得分：

   • 对于目标用户，计算其与其他所有用户的相似度得分。
   • 使用这些相似度得分和其他用户的评分，计算每部电影的加权得分。加权得分越高，表明该电影越可能受到目标用户的喜爱。

4. 生成推荐：

   • 将目标用户未评分的电影按加权得分排序，选取得分最高的前N部电影作为推荐结果。
   • 使用优先队列来存储和排序未评分的电影，确保获取得分最高的电影。

通过以上步骤，推荐系统可以为目标用户生成个性化的电影推荐列表。