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

推荐系统

什么是推荐系统

平时见过的推荐系统

为什么要有推荐系统

推荐系统的目的：

1. 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。

2. 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。

3. 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。

4. 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。

推荐算法

• 基于流行度
  基于流行度的算法非常简单粗暴，类似于各大新闻、微博热榜等，根据PV、UV、日均PV或分享率等数据来按某种热度排序来推荐给用户。
  

• 协同过滤算法
  协同过滤算法(Collaborative Filtering, CF)是很常用的一种算法，在很多电商网站上都有用到。CF算法包括基于用户的CF(User-based CF)和基于物品的CF(Item-based CF)。
  基于用户的CF原理如下：

  1. 分析各个用户对item的评价（通过浏览记录、购买记录等）；

  2. 依据用户对item的评价计算得出所有用户之间的相似度；

  3. 选出与当前用户最相似的N个用户；

  4. 将这N个用户评价最高并且当前用户又没有浏览过的item推荐给当前用户。
     示意图：
     
     基于物品的CF原理大同小异，只是主体在于物品：

  5. 分析各个用户对item的浏览记录。

  6. 依据浏览记录分析得出所有item之间的相似度；

  7. 对于当前用户评价高的item，找出与之相似度最高的N个item；

  8. 将这N个item推荐给用户。
     示意图：
     

• 基于内容的算法

我们注册的时候经常看到这样的界面：
这个算法就是基于用户的兴趣和物品的tag进行选择的算法。

举个栗子，现在系统里有一个用户和一条新闻。通过分析用户的行为以及新闻的文本内容，我们提取出数个关键字，如下图：
将这些关键字作为属性，把用户和新闻分解成向量，如下图：
之后再计算向量距离，便可以得出该用户和新闻的相似度了。

• 基于模型的算法
  基于模型的方法有很多，用到的诸如机器学习的方法也可以很深，比如Logistics回归预测等等

• 混合算法
  现实应用中，其实很少有直接用某种算法来做推荐的系统。在一些大的网站如Netflix，就是融合了数十种算法的推荐系统。我们可以通过给不同算法的结果加权重来综合结果，或者是在不同的计算环节中运用不同的算法来混合，达到更贴合自己业务的目的。

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：

• 算法过程：

1. 找到相似度高的用户
2. 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。

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。

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】