基于用户/项目的混合协同过滤推荐算法的推荐原理、推荐过程、代码实现 混合推荐算法 聚类、属性、评分混合推荐项目代码实现

目前商用的推荐机制都为混合式推荐，将用户属性、项目属性、用户操作行为、聚类算法、基于用户、基于项目、基于内容等混合推荐。本文主要介绍混合推荐的推荐原理、推荐过程、代码实现。

一、基于用户/项目的混合协同过滤推荐算法推荐原理

混合推荐可使用的数据包括：
1、用户属性：用户位置、用户性别、用户年龄等属性信息；
2、项目属性：项目类别、项目添加时间、项目内容等属性信息；
3、用户操作行为：用户评分、收藏记录、浏览记录、观看时长、购买记录等操作行为；
混合推荐方法可以是先将数据进行聚类（用户聚类、项目聚类等），可进行多次聚类，聚类算法常用的有KMeans聚类、Canopy聚类、KMeans+Canopy聚类、迷糊均值聚类等聚类算法，然后找到目标用户所在的簇，用簇中的项目或者用户进行推荐，推荐可根据多种操作行为分别推荐，然后将推荐的结果进行平均加权求和，需要提前设定每种推荐算法的权重，或者分别计算不同操作行为的用户或者项目的相似度，将相似度进行加权求和，然后再进行最后的推荐，相似度的计算可采用余弦算法、修正余弦算法、person皮尔森算法、欧几里得距离公式等算法，推荐机制可采用SlopeOne、SVD等。
总之，混合推荐算法比较灵活，适合自己的才是最好的。

二、代码实现

本文的实现代码以movielens电影评分数据为例，java语言开发，实现了基于电影评分和用户属性的协同过滤混合推荐算法
下载地址：https://download.csdn.net/download/u011291472/11967745
该程序仅供学习和测试使用。

作者专业长期研究各种协同过滤推荐算法，欢迎留言、私信互相交流学习，后续会不断更新不同的协同过滤推荐算法，欢迎关注。