基于用户的协同过滤算法java实现，皮尔逊相关系数算法

        基于用户的协同过滤算法，基本思想为当需要根据一个用户的信息对他进行针对性的推荐时，可以从用户库中计算出该用户的最邻用户，也就是信息、喜好最相近的用户，通过最邻用户的喜好来对当前用户来进行推荐。

        以电影推荐为示例，一般分为两个步骤，第一步是计算出当前用户的最邻用户，第二步是将最邻用户看过而当前用户没有看过的电影推荐给用户。本课题在计算最邻用户时，采用的也是权重算法，根据用户之间的性别、年龄、喜好分类、相同电影的评分以及观影历史的喜好标签分类分别计算分数，然后按照一定权重计算总分，而在计算喜好分类、相同电影的评分以及观影历史的喜好标签分类的分数时，则是根据两个用户的数据计算皮尔森相关系数。皮尔森相关系数是指两个变量之间的关系程度，介于-1到1之间，绝对值越大，两个变量之间关联性越高，也就是两个用户之间喜好越相近。通过对用户喜好、评分等数据的皮尔森相关系数计算，加上用户的性别、年龄的关联性，即可算出用户的最邻用户，继而达到协同过滤的效果。

        流程图设计如下：

              设计思路：

/**
 * 基于用户的计算
 * 主要原理为根据用户特性以及观影历史的电影特性找到最邻用户，然后推荐最邻用户的观看历史
 * 计算最邻用户的计算方式为权重法，总分为100，
 * 分数比例：
 * （1）年龄比占5%
 * （2）性别比占5%
 * （3）用户喜好标签的皮尔森相关系数占30%
 * （4）用户观影历史里面电影对应的喜好构成的列表的皮尔森相关系数占30%（每种喜好各自计算比例）
 * （5）相同电影评分的皮尔森相关系数占30%
 * 计算过程
 * （1）用户的年龄比、性别比、用户喜好标签的皮尔森相关系数、用户观影历史里面电影对应的喜好构成的列表的皮尔森相关系数、相同电影评分的皮尔森相关系数
 * （2）查询到最近邻用户
 * （3）他的播放历史中用户没有的歌曲，同时也必须是用户喜欢的类型
 */

此方法中关键点在于皮尔逊相关系数（r）计算。

皮尔逊相关系数可以反映两个变量之间的相关性大小，在自然科学领域中，皮尔逊相关系数广泛用于度量两个变量之间的相关程度，其值介于-1与1之间。它是由卡尔·皮尔逊从弗朗西斯·高尔顿在19世纪80年代提出的一个相似却又稍有不同的想法演变而来的。这个相关系数也称作“皮尔逊积矩相关系数”。

当r>0时，表示两变量正相关，r<0时，两变量为负相关。 当|r|=1时，表示两变量为完全线性相关，即为函数关系。

当r=0时，表示两变量间无线性相关关系。

当0<|r|<1时，表示两变量存在一定程度的线性相关。且|r|越接近1，两变量间线性关系越密切；|r|越接近于0，表示两变量的线性相关越弱。

一般可按三级划分：|r|<0.4为低度线性相关；0.4≤|r|<0.7为显著性相关；0.7≤|r|<1为高度线性相关。

皮尔森系数计算共有四种公式：

本课题采用第四种公式，使用java代码实现：

/**
 * 方法描述: 皮尔森（pearson）相关系数计算
 */
private double getRelate(List<Double> xs, List<Double> ys) {
    int n = xs.size();
    //至少有两个元素
    if (n < 2) {
        return 0D;
    }
    double Ex = xs.stream().mapToDouble(x -> x).sum();
    double Ey = ys.stream().mapToDouble(y -> y).sum();
    double Ex2 = xs.stream().mapToDouble(x -> Math.pow(x, 2)).sum();
    double Ey2 = ys.stream().mapToDouble(y -> Math.pow(y, 2)).sum();
    double Exy = IntStream.range(0, n).mapToDouble(i -> xs.get(i) * ys.get(i)).sum();
    double numerator = Exy - Ex * Ey / n;
    double denominator = Math.sqrt((Ex2 - Math.pow(Ex, 2) / n) * (Ey2 - Math.pow(Ey, 2) / n));
    if (denominator == 0) {
        return 0D;
    }
    return Math.abs(numerator / denominator);
}

代码示例：

电影推荐基于用户的协同过滤算法java实现示例，皮尔逊相关系数算法https://download.csdn.net/download/weixin_47315082/88041059