java协同过滤推荐算法

1.什么是协同过滤

协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。

2.推荐过程

创建4个用户，每个用户4个商品
建立物品-用户的对应关系
此时查询张三
张三与用户：李四相似度:0.4082482904638631
张三与用户：王五相似度:0.4082482904638631
张三与用户：麻六相似度:0.3333333333333333

为张三推荐
用户张三，为您推荐广告创意推荐度为：0.8164965809277261
用户张三，为您推荐英语竞赛推荐度为：0.3333333333333333
用户张三，为您推荐公益大赛推荐度为：0.3333333333333333

算法实现代码

import java.util.*;
import java.util.Map.Entry;

/**
 * 基于用户的协同过滤推荐算法实现
 A a b d
 B a c
 C b e
 D c d e
 * @author Administrator
 *
 */
public class UserCF {
    public static void main(String[] args) {
        ACf cF1 = new ACf();
        cF1.setUserId(201704113113L);
        cF1.setProductName("设计大赛,编程大赛,数学竞赛");

        ACf cF2 = new ACf();
        cF2.setUserId(201704113114L);
        cF2.setProductName("设计大赛,广告创意");

        ACf cF3 = new ACf();
        cF3.setUserId(201704113115L);
        cF3.setProductName("数学竞赛,广告创意");

        ACf cF4 = new ACf();
        cF4.setUserId(201704113116L);
        cF4.setProductName("公益大赛,数学竞赛,英语竞赛");

        List<ACf> acfList =new ArrayList<>();

        acfList.add(cF1);
        acfList.add(cF2);
        acfList.add(cF3);
        acfList.add(cF4);

        String filtering = filtering(201704113113L, acfList);

    }

    /**
     * ACF实体类
     * 编号
     * private Long id;
     * 用户编号
     * private Long userId;
     * 已购商品
     * private String productName;
     *
     * 输入用户-->物品条目 一个用户对应多个物品
     * 用户ID 物品ID集合
     * cfs.get(0)：ACf.getUserId=1 ACf.getProductName="计算机大赛,数学竞赛,WWE大赛,算法大赛"
     * cfs.get(1)：ACf.getUserId=2 ACf.getProductName="计算机大赛,数学竞赛,WWE大赛,算法大赛"
     * cfs.get(2)：ACf.getUserId=3 ACf.getProductName="计算机大赛,数学竞赛,WWE大赛,算法大赛"
     * @param userId 当前登录用户
     * @param cfs List集合
     * @return
     */
    public static String filtering(Long userId,List<ACf> cfs){
        //根据集合长度创建二维数组
        int[][] sparseMatrix = new int[cfs.size()][cfs.size()];
        //建立用户稀疏矩阵，用于用户相似度计算【相似度矩阵】
        Map<String, Integer> userItemLength = new HashMap<>();
        //存储每一个用户对应的不同物品总数 eg: A 3
        Map<String, Set<String>> itemUserCollection = new HashMap<>();
        //建立物品到用户的倒排表 eg: a A B
        Set<String> items = new HashSet<>();
        //辅助存储物品集合
        Map<String, Integer> userID = new HashMap<>();
        //辅助存储每一个用户的用户ID映射
        Map<Integer, String> idUser = new HashMap<>();
        //辅助存储每一个ID对应的用户映射
        for (int i = 0; i < cfs.size() ; i++){
                //循环历史物品a,b,c 以","间隔
                String[] user_item  = cfs.get(i).getProductName().split(",");
                //当前用户id
                String user = cfs.get(i).getUserId().toString();
                //物品长度
                int length = user_item.length;
                //key存放user用户id  length存放物品数量
                userItemLength.put(user, length);
                //key存放user用户id  value存放当前用户下标
                userID.put(user, i);
                //用户ID与稀疏矩阵建立对应关系
                idUser.put(i, user);
                //建立物品--用户倒排表
                for (int j = 0; j < length; j ++){
                    if(items.contains(user_item[j])){
                        //如果已经包含对应的物品--用户映射，直接添加对应的用户
                        itemUserCollection.get(user_item[j]).add(user);
                    } else{
                        //否则创建对应物品--用户集合映射
                        items.add(user_item[j]);
                        itemUserCollection.put(user_item[j], new HashSet<String>());
                        //创建物品--用户倒排关系
                        itemUserCollection.get(user_item[j]).add(user);
                    }
                }
        }
        System.out.println("itemUserCollection:"+itemUserCollection.toString());

//下面是核心代码，收费，需要可以联系。