基于用户的协同过滤推荐算法

重点说一下，类似矩阵是线性代数里面的，余弦类似度好像发现的比较早，在吴军的《数学之美》中好像有说。具体要所有弄懂并能触类旁通你须要去查找一些资料。

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) {
        /**
         * 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 
         *   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:");
        //输入用户总量  
        int N = scanner.nextInt();
        int[][] sparseMatrix = new int[N][N];//创建用户稀疏矩阵，用于用户类似度计算【类似度矩阵】  
        Map<String, Integer> userItemLength = new HashMap<>();//存储每个用户对应的不一样物品总数  eg: A 3  
        Map<String, Set<String>> itemUserCollection = new HashMap<>();//创建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<>();//辅助存储每个用户的用户ID映射  
        Map<Integer, String> idUser = new HashMap<>();//辅助存储每个ID对应的用户映射  
        System.out.println("Input user--items maping infermation:<eg:A a b d>");
        //scanner.nextLine();
        for(int i = 0; i < N ; i++){//依次处理N个用户 输入数据  以空格间隔  
            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);//用户ID与稀疏矩阵创建对应关系  
            idUser.put(i, user_item[0]);
            //创建物品--用户倒排表  
            for(int j = 1; j < length; j ++){
                if(items.contains(user_item[j])){//若是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_item[0]);
                }else{//不然建立对应物品--用户集合映射  
                    items.add(user_item[j]);
                    itemUserCollection.put(user_item[j], new HashSet<String>());//建立物品--用户倒排关系  
                    itemUserCollection.get(user_item[j]).add(user_item[0]);
                }
            }
        }
        System.out.println(itemUserCollection.toString());
        //计算类似度矩阵【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;//计算用户u与用户v都有正反馈的物品总数  
                }
            }
        }
        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));
        //计算用户之间的类似度【余弦类似性】  
        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)+"类似度:"+sparseMatrix[recommendUserId][j]/Math.sqrt(userItemLength.get(idUser.get(recommendUserId))*userItemLength.get(idUser.get(j))));
            }
        }

        //计算指定用户recommendUser的物品推荐度  
        for(String item: items){//遍历每一件物品  
            Set<String> users = itemUserCollection.get(item);//获得购买当前物品的全部用户集合  
            if(!users.contains(recommendUser)){//若是被推荐用户没有购买当前物品，则进行推荐度计算  
                double itemRecommendDegree = 0.0;
                for(String user: users){
                    itemRecommendDegree += sparseMatrix[userID.get(recommendUser)][userID.get(user)]/Math.sqrt(userItemLength.get(recommendUser)*userItemLength.get(user));//推荐度计算  
                }
                System.out.println("The item "+item+" for "+recommendUser +"'s recommended degree:"+itemRecommendDegree);
            }
        }
        scanner.close();
}

}