分级加权打分算法 java_基于用户的协同过滤推荐算法 实现原理及实现代码

基于用户的协同过滤推荐算法

实现原理及实现代码

1. 基于用户的协同过滤推荐算法实现原理

传统的基于用户（User-Based）的协同过滤推荐算法实现原理分四个步骤：

1、根据用户历史行为信息构建用户-项目评分矩阵，用户历史行为信息包括项目评分、浏览历史、收藏历史、喜好标签等，本文以单一的项目评分为例，后期介绍其他行为信息和混合行为信息，用户-项目评分矩阵如表1所示：

项目1

项目2

项目3

用户A

1

0

5

用户B

3

4

0

用户C

0

3

2

表1 用户-项目评分矩阵

注：用户A对项目1的评分是1分，用户A对项目2没有评分。

2、根据用户-项目评分矩阵计算用户之间的相似度。计算相似度常用的方法有余弦算法、修正余弦算法、皮尔森算法等等（后期我们会将相似度算法展开讲解，这里以余弦算法为例）。余弦算法公式如图1所示：

图1 余弦算法公式

注：表示用户u的评分集合（也就是矩阵中的一行评分数据），表示用户v的评分集合，i表示项目，表示用户u对项目1的评分乘以用户v对项目1的评分加上用户u对项目2的评分乘以用户v对项目2的评分……先相加再相乘直到最后一个项目，表示用户u对项目1的评分的平方加上用户u对项目2的评分的平方加上……先平方再相加直到最后一个项目然后得到的值取平方根，平方根乘以用户v的平方根。

3、根据用户之间的相似度得到目标用户的最近邻居KNN。KNN的筛选常用的有两种方式，一种是设置相似度阀值（给定一个相似度的下限，大于下限的相似度为最近邻居），一种是根据与目标用户相似度的高低来选择前N个最近邻居（本次以前N个为例，后期会详细对比讲解两者）。相似度排序可用经典冒泡排序法。

4、预测项目评分并进行推荐。最常用的预测公式如图2所示：

图2 预测评分公式

注：该公式实际上是相似度和评分的加权平均数。表示用户u对项目i的预测评分，n是最近邻集合，v是任意一个最近邻居，表示最近邻v和目标用户u的相似度乘以最近邻v对项目i的评分。得到预测评分后按照评分高低进行降序推荐。

5、结论。以上步骤是最简单，最传统的基于用户的协同过滤推荐算法的实现原理，但是在实现过程中还是有很多注意细节。

1. 基于用户的协同过滤推荐算法实现代码

本文我们介绍两种实现代码，都是java语言开发，单机版（本地测试），数据集使用movielens的ml-100k，943*1682，80000条数据。

第一种，自定义实现：

1、项目目录，如图3所示：

图3 项目目录

2、Application.java文件，算法主运行方法

import java.util.Arrays;

import java.util.HashMap;

import java.util.Map;

import java.util.Scanner;

import java.util.Set;

/**

* 协同过滤推荐算法运行主方法

* @author line

*

*/

public class Application implements Base {

public static void main(String[] args) {

// 输入userId，并获取

System.out.println("请输入一个用户Id（1、2、3……943）");

Scanner scanner = new Scanner(http://System.in);

//获取得到输入的userId

int userId = scanner.nextInt();

// 从文件中读取数据

int[][] user_movie_base = new int[PREFROWCOUNT][COLUMNCOUNT];

//读取文件中的数据

user_movie_base = new ReadFile().readFile(BASE);

//产生相似度矩阵

double[] similarityMatrix = new ProduceSimilarityMatrix().produceSimilarityMatrix(user_movie_base, userId);

// 知道每个用户之间的相似度值之后，开始获取每隔相似值对应的userId，然后和相似值关联，再根据相似值排序，即得到相似爱好的userId，然后再输出相似推荐的商品

int[] id = new int[KNEIGHBOUR];//存放K个最近邻userId

//产生一个临时相似度矩阵变量，是为了相似度排序时和userid对应

double[] tempSimilarity = new double[similarityMatrix.length];

for (int j = 0; j < tempSimilarity.length; j++) {

tempSimilarity[j] = similarityMatrix[j];

}

Arrays.sort(tempSimilarity);//排序，升序

int flag = 0;//临时变量

double[] similarity = new double[KNEIGHBOUR];//保存前K个相似度，从大到小

for (int m = tempSimilarity.length - 1; m >= tempSimilarity.length - KNEIGHBOUR; m--) {

for(int j = 0; j < similarityMatrix.length; j++) {

if (similarityMatrix[j] == tempSimilarity[m] && similarityMatrix[j] != 0.0){

similarity[flag] = tempSimilarity[m];

id[flag]=j;//保存前K个相似度的userid

flag++;

}

}

}

System.out.println("相似度最近的" + KNEIGHBOUR + "个用户是：");

System.out.print("近邻用户");

System.out.printf("%25s","相似度");//格式化输出"%25s"是占多少位

System.out.printf("%30sn","推荐产品");

Map<Integer, Double> map = new HashMap<Integer, Double>();//存放每件商品的id和期望值，是键值对关系，即一对一

for (int i = 0; i < KNEIGHBOUR; i++) {//按照k值得大小来循环

// 前k个近邻用户的推荐产品

int user_id = id[i];//数组id中的userid根据相似度大小顺序已经排好，从大到小

int[] items = user_movie_base[user_id];// 获取源数据K个邻近用户userid的所有评分

String str = "";

for (int j = 0; j < COLUMNCOUNT; j++) {//循环每件商品，如果相邻用户对某件商品的评分不为0，而目标用户的评分为0，该商品就为推荐商品

if ((items[j] != 0) && (user_movie_base[userId - 1][j] == 0)){

str += " " + (j + 1);//将推荐商品的id保存在一个字符串中，可以直接输出

//此时，可以通过循环计算某一件推荐商品的评分用户的相似度期望

//开始计算期望，将相同商品的相似度相加，并保存在map集合中

if(map.containsKey(j + 1)){//如果一件商品的值，已经保存在map集合的键中（键是唯一的，即不会和其他的数值一样），那么键对应的值，就会改变，加上该商品不用用户的相似度

double d = map.get(j+1);

d+=similarity[i];

map.put(j+1,d);//修改map中的值

}else{

map.put(j+1, similarity[i]);//如果没有保存一件商品的id，那么开始保存

}

}

}

System.out.print(id[i] + 1);

System.out.printf("%16st" ,String.format("%.2f",similarity[i]*100)+"%");//输出的同时格式化数据

System.out.println(str);//输出每个用户的推荐商品

}

//选择最好的推荐商品,期望加权

//循环map集合的键

Map<Integer,Double> map2 = new HashMap<Integer, Double>(); //保存商品id和加权期望,因为还要对加权期望排序，要和商品id对应

double s1 = 0;

double s2 = 0;

Set<Integer> set = map.keySet();//获取map集合中的所有键，输出是一个set集合

for(int key : set){//循环map中的所有键

for (int i = 0; i < KNEIGHBOUR; i++) {

int score = user_movie_base[id[i]][key-1];//map中的键是商品id，i是userid，获取评分

s1+=score*map.get(key);

s2+=score;

}

map2.put(key, s1/s2);//保存加权期望值，和商品id对应

}

Object[] ar