推荐算法——基于用户的协同过滤算法（User-base CF）的java实现

最新推荐文章于 2025-03-28 23:51:13 发布

weixin_41823924

最新推荐文章于 2025-03-28 23:51:13 发布

阅读量7k

点赞数 9

文章标签： java spring boot 推荐系统协同过滤

本文链接：https://blog.csdn.net/weixin_41823924/article/details/106858351

版权

本文介绍了推荐系统的重要性和作用，详细讲解了基于用户的协同过滤（User-base CF）算法，包括原理和Java代码实现。通过计算用户相似度，推荐用户未评分但与他们兴趣相符的物品。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

推荐系统

什么是推荐系统

平时见过的推荐系统
在这里插入图片描述

为什么要有推荐系统

推荐系统的目的：

帮助用户找到想要的商品（新闻/音乐/……）
帮用户找到想要的东西，谈何容易。商品茫茫多，甚至是我们自己，也经常点开淘宝，面对眼花缭乱的打折活动不知道要买啥。
降低信息过载
互联网时代信息量已然处于爆炸状态，若是将所有内容都放在网站首页上用户是无从阅读的，信息的利用率将会十分低下。因此我们需要推荐系统来帮助用户过滤掉低价值的信息。
提高站点的点击率/转化率
好的推荐系统能让用户更频繁地访问一个站点，并且总是能为用户找到他想要购买的商品或者阅读的内容。
加深对用户的了解，为用户提供定制化服务
可以想见，每当系统成功推荐了一个用户感兴趣的内容后，我们对该用户的兴趣爱好等维度上的形象是越来越清晰的。当我们能够精确描绘出每个用户的形象之后，就可以为他们定制一系列服务，让拥有各种需求的用户都能在我们的平台上得到满足。

基于用户的协同过滤算法（User-base CF）

算法介绍

User-based就是把与你有相同爱好的用户所喜欢的物品(并且你还没有评过分)推荐给你：

在这里插入图片描述

算法过程：

找到相似度高的用户
根据1步骤获取的信息，推荐源用户相对喜欢，并且未采取过的行为

计算用户相似度
下面这个是大名鼎鼎的Jaccard公式，很简单，取2个用户的选择集的交集，跟2个用户的选择集的并集，进行计算。但很显然，若要计算整个用户集合，时间复杂度是O（n^2）,太慢了。

在这里插入图片描述
后续就有了利用倒排查表进行优化如下：可以建立个5X5矩阵，以用户、行为为维度。

收藏	用户
1	1，2，3
2	2，3，5
3	1，3，5
4	3，4，5
5	2，3，4

下面这个公式可以完成之前提到的步骤二，p(u,i)-用户u对行为i的权重，S(u,k)表示和用户u相似的K个用户，N(i)表示采取过行为i的用户集合，W_uv表示用户u和用户v的相似度，R_vi表示用户v对行为i的权重。
在这里插入图片描述

代码实现

    public List<TopicView> RecommendTopic(Long uid){
   
        List<Long> userList;
        userList=userDao.getAllUserIDlist();
        Integer N=userList.size();
//        System.out.println("用户数量："+N);
        Long[][] sparseMatrix=new Long[N][N];//建立用户稀疏矩阵，用于用户相似度计算【相似度矩阵】
        for(int i=0;i<N;i++){
   
            for(int j=0;j<N;j++)
                sparseMatrix[i][j]=(long)0;
        }
        Map<Long, Integer> userItemLength = new HashMap<>