Java 实现协同过滤算法推荐算法

news2024/10/30 13:31:35

1. 什么是协同过滤

协同过滤主要分为两种类型：

基于用户的协同过滤：根据用户之间的相似性推荐物品。例如，如果用户A和用户B的评分相似，那么用户A喜欢的物品也可能会被推荐给用户B。
基于物品的协同过滤：根据物品之间的相似性进行推荐。如果用户对物品X给出了高评分，且物品Y与X相似，那么物品Y会被推荐给用户。

2. 数据准备

在实现协同过滤之前，我们需要准备一个用户-物品评分矩阵。以下是一个简单的示例：

用户/物品	物品1	物品2	物品3	物品4
用户A	5	3	0	1
用户B	4	0	0	1
用户C	1	1	0	5
用户D	0	0	5	4

在这个矩阵中，0表示用户没有评分。

3. 基于用户的协同过滤实现

以下是基于用户的协同过滤算法的简单实现：

3.1 计算相似度

我们将使用余弦相似度来计算用户之间的相似度。余弦相似度公式为：

cosine(A,B)=A⋅B∥A∥∥B∥\text{cosine}(A, B) = \frac{A \cdot B}{\|A\| \|B\|}cosine(A,B)=∥A∥∥B∥A⋅B

3.2 Java 实现代码

import java.util.HashMap;
import java.util.Map;

public class CollaborativeFiltering {

    // 用户评分矩阵
    private static final Map<String, Map<String, Integer>> ratings = new HashMap<>();

    static {
        ratings.put("UserA", Map.of("Item1", 5, "Item2", 3, "Item4", 1));
        ratings.put("UserB", Map.of("Item1", 4, "Item4", 1));
        ratings.put("UserC", Map.of("Item2", 1, "Item4", 5));
        ratings.put("UserD", Map.of("Item3", 5, "Item4", 4));
    }

    // 计算余弦相似度
    private double cosineSimilarity(Map<String, Integer> ratings1, Map<String, Integer> ratings2) {
        double dotProduct = 0.0;
        double normA = 0.0;
        double normB = 0.0;

        for (String item : ratings1.keySet()) {
            if (ratings2.containsKey(item)) {
                dotProduct += ratings1.get(item) * ratings2.get(item);
            }
            normA += Math.pow(ratings1.get(item), 2);
        }

        for (double rating : ratings2.values()) {
            normB += Math.pow(rating, 2);
        }

        normA = Math.sqrt(normA);
        normB = Math.sqrt(normB);

        return (normA == 0 || normB == 0) ? 0 : dotProduct / (normA * normB);
    }

    // 为用户推荐物品
    public Map<String, Double> recommendItems(String user) {
        Map<String, Integer> userRatings = ratings.get(user);
        Map<String, Double> scoreMap = new HashMap<>();

        for (String otherUser : ratings.keySet()) {
            if (!otherUser.equals(user)) {
                double similarity = cosineSimilarity(userRatings, ratings.get(otherUser));

                for (String item : ratings.get(otherUser).keySet()) {
                    if (!userRatings.containsKey(item)) {
                        scoreMap.put(item, scoreMap.getOrDefault(item, 0.0) + similarity * ratings.get(otherUser).get(item));
                    }
                }
            }
        }

        return scoreMap;
    }

    public static void main(String[] args) {
        CollaborativeFiltering cf = new CollaborativeFiltering();
        Map<String, Double> recommendations = cf.recommendItems("UserA");

        System.out.println("推荐物品给 UserA: " + recommendations);
    }
}

代码解释

用户评分矩阵：使用嵌套的 Map 来存储用户对物品的评分。
余弦相似度计算：通过 cosineSimilarity 方法计算用户之间的相似度。
推荐物品：在 recommendItems 方法中，遍历所有用户，计算相似度并为目标用户推荐未评分的物品。

4. 基于物品的协同过滤实现

基于物品的协同过滤类似于用户的实现，但我们需要首先计算物品之间的相似度。

4.1 Java 实现代码

import java.util.HashMap;
import java.util.Map;

public class ItemBasedCollaborativeFiltering {

    private static final Map<String, Map<String, Integer>> ratings = new HashMap<>();

    static {
        ratings.put("UserA", Map.of("Item1", 5, "Item2", 3, "Item4", 1));
        ratings.put("UserB", Map.of("Item1", 4, "Item4", 1));
        ratings.put("UserC", Map.of("Item2", 1, "Item4", 5));
        ratings.put("UserD", Map.of("Item3", 5, "Item4", 4));
    }

    // 计算物品之间的余弦相似度
    private double cosineSimilarity(Map<String, Integer> item1, Map<String, Integer> item2) {
        // 与用户的计算相似
        // 省略相似度计算的具体实现
        return 0.0; // 这里应返回实际计算的相似度
    }

    // 为用户推荐物品
    public Map<String, Double> recommendItems(String user) {
        Map<String, Integer> userRatings = ratings.get(user);
        Map<String, Double> scoreMap = new HashMap<>();

        // 计算物品之间的相似度
        // 省略物品相似度计算和推荐逻辑的实现

        return scoreMap;
    }

    public static void main(String[] args) {
        ItemBasedCollaborativeFiltering ibcf = new ItemBasedCollaborativeFiltering();
        Map<String, Double> recommendations = ibcf.recommendItems("UserA");

        System.out.println("推荐物品给 UserA: " + recommendations);
    }
}