基於用戶的協同過濾推薦算法

重點說一下，類似矩陣是線性代數裏面的，餘弦類似度好像發現的比較早，在吳軍的《數學之美》中好像有說。具體要所有弄懂並能觸類旁通你須要去查找一些資料。

import java.util.HashMap;
import java.util.HashSet;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;
import java.util.Scanner;
import java.util.Set;

/**
 * 基於用戶的協同過濾推薦算法實現 
 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) {
        /**
         * 輸入用戶-->物品條目  一個用戶對應多個物品 
         * 用戶ID 物品ID集合 
         *   A      a b d 
         *   B      a c 
         *   C      b e 
         *   D      c d e 
         */
        Scanner scanner = new Scanner(System.in);
        System.out.println("Input the total users number:");
        //輸入用戶總量  
        int N = scanner.nextInt();
        int[][] sparseMatrix = new int[N][N];//創建用戶稀疏矩陣，用於用戶類似度計算【類似度矩陣】  
        Map<String, Integer> userItemLength = new HashMap<>();//存儲每個用戶對應的不一樣物品總數  eg: A 3  
        Map<String, Set<String>> itemUserCollection = new HashMap<>();//創建物品到用戶的倒排表 eg: a A B  
        Set<String> items = new HashSet<>();//輔助存儲物品集合  
        Map<String, Integer> userID = new HashMap<>();//輔助存儲每個用戶的用戶ID映射  
        Map<Integer, String> idUser = new HashMap<>();//輔助存儲每個ID對應的用戶映射  
        System.out.println("Input user--items maping infermation:<eg:A a b d>");
        //scanner.nextLine();
        for(int i = 0; i < N ; i++){//依次處理N個用戶 輸入數據  以空格間隔  
            String[] user_item = scanner.nextLine().split(" ");
            int length = user_item.length;
            userItemLength.put(user_item[0], length-1);//eg: A 3  
            userID.put(user_item[0], i);//用戶ID與稀疏矩陣創建對應關係  
            idUser.put(i, user_item[0]);
            //創建物品--用戶倒排表  
            for(int j = 1; j < length; j ++){
                if(items.contains(user_item[j])){//若是已經包含對應的物品--用戶映射，直接添加對應的用戶  
                    itemUserCollection.get(user_item[j]).add(user_item[0]);
                }else{//不然建立對應物品--用戶集合映射  
                    items.add(user_item[j]);
                    itemUserCollection.put(user_item[j], new HashSet<String>());//建立物品--用戶倒排關係  
                    itemUserCollection.get(user_item[j]).add(user_item[0]);
                }
            }
        }
        System.out.println(itemUserCollection.toString());
        //計算類似度矩陣【稀疏】  
        Set<Entry<String, Set<String>>> entrySet = itemUserCollection.entrySet();
        Iterator<Entry<String, Set<String>>> iterator = entrySet.iterator();
        while(iterator.hasNext()){
            Set<String> commonUsers = iterator.next().getValue();
            for (String user_u : commonUsers) {
                for (String user_v : commonUsers) {
                    if(user_u.equals(user_v)){
                        continue;
                    }
                    sparseMatrix[userID.get(user_u)][userID.get(user_v)] += 1;//計算用戶u與用戶v都有正反饋的物品總數  
                }
            }
        }
        System.out.println(userItemLength.toString());
        System.out.println("Input the user for recommendation:<eg:A>");
        String recommendUser = scanner.nextLine();
        System.out.println(userID.get(recommendUser));
        //計算用戶之間的類似度【餘弦類似性】  
        int recommendUserId = userID.get(recommendUser);
        for (int j = 0;j < sparseMatrix.length; j++) {
            if(j != recommendUserId){
                System.out.println(idUser.get(recommendUserId)+"--"+idUser.get(j)+"類似度:"+sparseMatrix[recommendUserId][j]/Math.sqrt(userItemLength.get(idUser.get(recommendUserId))*userItemLength.get(idUser.get(j))));
            }
        }

        //計算指定用戶recommendUser的物品推薦度  
        for(String item: items){//遍歷每一件物品  
            Set<String> users = itemUserCollection.get(item);//獲得購買當前物品的全部用戶集合  
            if(!users.contains(recommendUser)){//若是被推薦用戶沒有購買當前物品，則進行推薦度計算  
                double itemRecommendDegree = 0.0;
                for(String user: users){
                    itemRecommendDegree += sparseMatrix[userID.get(recommendUser)][userID.get(user)]/Math.sqrt(userItemLength.get(recommendUser)*userItemLength.get(user));//推薦度計算  
                }
                System.out.println("The item "+item+" for "+recommendUser +"'s recommended degree:"+itemRecommendDegree);
            }
        }
        scanner.close();
}

}