协同过滤算法java

协同过滤算法及其在Java中的应用

协同过滤算法是一种常用的推荐系统算法，通过分析用户行为和偏好，找出用户之间的相似性，从而向用户推荐相关的物品或内容。本文将介绍协同过滤算法的原理，并使用Java语言实现一个简单的协同过滤算法示例。

协同过滤算法原理

协同过滤算法基于一个假设：如果两个用户在过去的行为中有相似的偏好，那么他们在将来也很可能会有相似的偏好。协同过滤算法主要分为两种类型：基于用户的协同过滤和基于物品的协同过滤。

基于用户的协同过滤

基于用户的协同过滤算法通过分析用户之间的相似性来进行推荐。为了计算用户之间的相似性，可以使用一些相似性度量方法，如皮尔逊相关系数或余弦相似度。具体步骤如下：

1. 构建用户物品评分矩阵，矩阵中的每个元素表示用户对物品的评分。
2. 计算用户之间的相似性，可以使用相似性度量方法计算用户之间的相似度。
3. 选取与目标用户相似度最高的K个用户。
4. 根据这K个用户的偏好，预测目标用户对未评分物品的评分。

基于物品的协同过滤

基于物品的协同过滤算法通过分析物品之间的相似性来进行推荐。具体步骤如下：

1. 构建用户物品评分矩阵，矩阵中的每个元素表示用户对物品的评分。
2. 计算物品之间的相似性，可以使用相似性度量方法计算物品之间的相似度。
3. 对于目标用户，找出他评分过的物品，并找出这些物品相似度最高的K个物品。
4. 根据这K个物品的评分，预测目标用户对未评分物品的评分。

Java实现示例

下面是一个基于用户的协同过滤算法的示例代码：

import java.util.*;

public class UserBasedCF {
    private Map<String, Map<String, Integer>> data; // 用户物品评分矩阵

    public UserBasedCF(Map<String, Map<String, Integer>> data) {
        this.data = data;
    }

    public double getUserSimilarity(String user1, String user2) {
        Map<String, Integer> user1Ratings = data.get(user1);
        Map<String, Integer> user2Ratings = data.get(user2);

        double sum = 0.0;
        int count = 0;
        for (String item : user1Ratings.keySet()) {
            if (user2Ratings.containsKey(item)) {
                sum += Math.pow(user1Ratings.get(item) - user2Ratings.get(item), 2);
                count++;
            }
        }

        if (count == 0) {
            return 0.0;
        }

        return 1 / (1 + Math.sqrt(sum / count));
    }

    public List<String> getTopKSimilarUsers(String user, int k) {
        List<String> users = new ArrayList<>(data.keySet());
        users.remove(user);

        users.sort((user1, user2) -> Double.compare(getUserSimilarity(user2, user), getUserSimilarity(user1, user)));

        return users.subList(0, k);
    }

    public double predictRating(String user, String item) {
        double sum = 0.0;
        double weightSum = 0.0;

        List<String> similarUsers = getTopKSimilarUsers(user, 5); // 取相似度最高的5个用户
        for (String similarUser : similarUsers) {
            Map<String, Integer> ratings = data.get(similarUser);
            if (ratings.containsKey(item)) {
                double similarity = getUserSimilarity(user, similarUser);
                sum += similarity * ratings.get(item);
                weightSum += similarity;
            }
        }

        if (weightSum == 0.0) {
            return 0.0;
        }

        return sum / weightSum;