可以自己做网站服务器不,设置本机外网ip做网站,如何优化网站首页代码,创意设计公司经营范围目录 简介
协同过滤算法(简称CF)
算法详解
算法使用
基于用户
基于物品
总结 前言-与正文无关
生活远不止眼前的苦劳与奔波#xff0c;它还充满了无数值得我们去体验和珍惜的美好事物。在这个快节奏的世界中#xff0c;我们往往容易陷入工作的漩涡#xff0c;忘记了停…
目录 简介
协同过滤算法(简称CF)
算法详解
算法使用
基于用户
基于物品
总结 前言-与正文无关
生活远不止眼前的苦劳与奔波它还充满了无数值得我们去体验和珍惜的美好事物。在这个快节奏的世界中我们往往容易陷入工作的漩涡忘记了停下脚步感受周围的世界。让我们一起提醒自己要适时放慢脚步欣赏生活中的每一道风景享受与家人朋友的温馨时光发现那些平凡日子里隐藏的幸福时刻。因为这些点点滴滴汇聚起来的才是构成我们丰富多彩生活的本质。希望每个人都能在繁忙的生活中找到自己的快乐之源不仅仅为了生存而工作更为了更好的生活而生活。
送你张美图希望你开心 简介
协同过滤算法(简称CF) 在早期协同过滤几乎等同于推荐系统。主要的功能是预测和推荐。协同过滤推荐算法分为两类分别是
英文userCF
基于用户的协同过滤算法(相似的用户可能喜欢相同物品)这个一般适合推荐新闻和皮皮虾之类的数据跟人有很大关系而且信息是每日都是更新的。如果你推荐购物这种因为一个新建的用户可能购买的商品不足全量商品万分之1商品数据量大人对商品购买少很难找到相似的人随着用户和物品数量的增加计算复杂度增加所以需要这种更适合第二种算法。 英文itemCF
基于物品的协同过滤算法这种方法通过分析物品之间的相似性根据用户喜欢的物品推荐最大相似度其他物品。比如用户喜欢物品A然后通过算法的出物品C和A的相似度极高那么用户有可能喜欢物品C。当然也有缺点:需要足够的用户-物品交互数据来找出物品之间的相似性。
算法详解
如果想知道算法细节可以看我的皮尔森相关系数介绍这边只是代码级别
推荐系统算法 协同过滤算法详解二皮尔森相关系数-CSDN博客 算法使用
下面例子都是基于电影推荐系统做的向用户推荐喜欢的电影。核心有几个字段1用户id2电影id3是评分。如果你不是电影推荐而是其他其实代码都一样逻辑也都大差不差。 核心协同过滤算法类不管你是基于用户还是基于商品电影都需要使用的是皮尔森相关系数
package com.tarzan.recommend.core;import com.tarzan.recommend.dto.RelateDTO;
import org.assertj.core.util.Lists;import java.util.*;
import java.util.stream.IntStream;/*** 核心算法**/
public class CoreMath {/*** 计算相关系数并排序* param key* param map* return MapInteger,Double*/public static MapInteger,Double computeNeighbor(Integer key, MapInteger,ListRelateDTO map,int type) {MapInteger,Double distMap new TreeMap();ListRelateDTO userItemsmap.get(key);map.forEach((k,v)-{//排除此用户if(!k.equals(key)){//关系系数double coefficient relateDist(v,userItems,type);//关系距离// double distanceMath.abs(coefficient);distMap.put(k,coefficient);}});return distMap;}/*** 计算两个序列间的相关系数** param xList* param yList* param type 类型0基于用户推荐 1基于物品推荐* return double*/private static double relateDist(ListRelateDTO xList, ListRelateDTO yList,int type) {ListDouble xs Lists.newArrayList();ListDouble ys Lists.newArrayList();xList.forEach(x-{yList.forEach(y-{if(type0){if(x.getItemId().equals(y.getItemId())){xs.add(x.getIndex());ys.add(y.getIndex());}}else{if(x.getUseId().equals(y.getUseId())){xs.add(x.getIndex());ys.add(y.getIndex());}}});});return getRelate(xs,ys);}/*** 方法描述: 皮尔森pearson相关系数计算** param xs x集合* param ys y集合*/public static double getRelate(ListDouble xs, ListDouble ys){int nxs.size();//至少有两个元素if (n2) {return 0D;}double Ex xs.stream().mapToDouble(x-x).sum();double Eyys.stream().mapToDouble(y-y).sum();double Ex2xs.stream().mapToDouble(x-Math.pow(x,2)).sum();double Ey2ys.stream().mapToDouble(y-Math.pow(y,2)).sum();double Exy IntStream.range(0,n).mapToDouble(i-xs.get(i)*ys.get(i)).sum();double numeratorExy-Ex*Ey/n;double denominatorMath.sqrt((Ex2-Math.pow(Ex,2)/n)*(Ey2-Math.pow(Ey,2)/n));if (denominator0) {return 0D;}return numerator/denominator;}}实体类
package com.tarzan.recommend.dto;import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor;/*** 关系数据**/
Data
AllArgsConstructor
NoArgsConstructor
public class RelateDTO {/** 用户id */private Integer useId;/** 电影id */private Integer itemId;/** 评分 */private Double index;}基于用户
入参是你要给推荐具体电影的当前用户id
package com.tarzan.recommend.service;import com.tarzan.recommend.core.ItemCF;
import com.tarzan.recommend.core.UserCF;
import com.tarzan.recommend.dto.ItemDTO;
import com.tarzan.recommend.dto.RelateDTO;import java.util.List;
import java.util.stream.Collectors;/*** 推荐服务**/
public class Recommend{/*** 方法描述: 猜你喜欢** param userId 用户id*/public static ListInteger userCfRecommend(int userId){ListRelateDTO data Sql获取不同用户对不同电影评分关系;// 获取到推荐的电影idListInteger recommendations UserCF.recommend(userId, data);return recommendations ;}}
package com.tarzan.recommend.core;import com.tarzan.recommend.dto.RelateDTO;import java.util.*;
import java.util.stream.Collectors;/*** 核心算法** since JDK1.8*/
public class ItemCF {/*** 方法描述: 推荐电影id列表** param itemId 当前电影id* param list 用户电影评分数据* return {link ListInteger}*/public static ListInteger recommend(Integer itemId, ListRelateDTO list) {//按物品分组MapInteger, ListRelateDTO itemMaplist.stream().collect(Collectors.groupingBy(RelateDTO::getItemId));//获取其他物品与当前物品的关系值MapInteger,Double itemDisMap CoreMath.computeNeighbor(itemId, itemMap,1);//获取关系最近物品double maxValueCollections.max(itemDisMap.values());return itemDisMap.entrySet().stream().filter(e-e.getValue()maxValue).map(Map.Entry::getKey).collect(Collectors.toList());}}基于物品
入参是当前用户曾经评过高分的电影id以此通过算法推荐和此电影相似度高的电影
package com.tarzan.recommend.service;import com.tarzan.recommend.core.ItemCF;
import com.tarzan.recommend.core.UserCF;
import com.tarzan.recommend.dto.ItemDTO;
import com.tarzan.recommend.dto.RelateDTO;import java.util.List;
import java.util.stream.Collectors;/*** 推荐服务**/
public class Recommend{/*** 方法描述: 猜你喜欢** param itemId 电影id*/public static ListInteger userCfRecommend(int userId){ListRelateDTO data Sql获取不同用户对不同电影评分关系;// 获取到推荐的电影idListInteger recommendations ItemCF.recommend(itemId, data);return recommendations ;}}
总结
建议使用基于物品的协同过滤算法基于物品协同过滤可以预先计算好物品间的相似度在线查询要比基于用户快的多且基于物品实际效果质量一般比基于用户高但这个也不是绝对的像是抖音这中视频都是最新更新的还是基于用户靠谱。
系数计算要保证分数值至少每行两个首要条件其次对比值要多少的话就没有那么理想结果
------------------------------------------与正文内容无关------------------------------------ 如果觉的文章写对各位读者老爷们有帮助的话麻烦点赞加关注呗作者在这拜谢了!
混口饭吃了如果你需要Java 、Python毕设、商务合作、技术交流、就业指导、技术支持度过试用期。请在关注私信我本人看到一定马上回复
这是我全部文章所在目录看看是否有你需要的如果遇到觉得不对地方请留言看到后我会查阅进行改正。
A乐神-CSDN博客 关注在文章左上角作者信息处。
