基于用户的协同过滤推荐算法实现（Java电商平台）

在电商平台中，基于用户的协同过滤推荐算法是一种常见的推荐系统方法。它通过分析用户之间的相似性来推荐商品。以下是一个简单的实现思路和示例代码，使用Java语言。

实现思路

1. 数据准备：收集用户的评分数据，通常以用户-商品评分矩阵的形式存储。
2. 计算相似度：使用余弦相似度或皮尔逊相关系数等方法计算用户之间的相似度。
3. 生成推荐：根据相似用户的评分，预测目标用户对未评分商品的评分，并进行推荐。

1. 算法核心思想

基于用户的协同过滤通过以下步骤工作：

1. 计算用户之间的相似度

2. 找到与目标用户最相似的K个用户

3. 根据这些相似用户的喜好预测目标用户可能喜欢的商品

4. 推荐预测评分最高的N个商品

2.Java实现代码

import java.util.*;

public class UserBasedCF {
    
    // 用户-商品评分矩阵
    private Map<Integer, Map<Integer, Double>> userItemRatingMatrix;
    // 用户相似度矩阵
    private Map<Integer, Map<Integer, Double>> userSimilarityMatrix;
    // 商品-用户倒排表
    private Map<Integer, Set<Integer>> itemUserInverseTable;
    
    public UserBasedCF() {
        userItemRatingMatrix = new HashMap<>();
        userSimilarityMatrix = new HashMap<>();
        itemUserInverseTable = new HashMap<>();
    }
    
    /**
     * 添加用户评分数据
     * @param userId 用户ID
     * @param itemId 商品ID
     * @param rating 评分
     */
    public void addRating(int userId, int itemId, double rating) {
        // 添加到用户-商品矩阵
        userItemRatingMatrix.putIfAbsent(userId, new HashMap<>());
        userItemRatingMatrix.get(userId).put(itemId, rating);
        
        // 添加到商品-用户倒排表
        itemUserInverseTable.putIfAbsent(itemId, new HashSet<>());
        itemUserInverseTable.get(itemId).add(userId);
    }
    
    /**
     * 计算用户之间的相似度（使用皮尔逊相关系数）
     */
    public void calculateUserSimilarities() {
        // 获取所有用户列表
        Set<Integer> users = userItemRatingMatrix.keySet();
        
        for (int u1 : users) {
            userSimilarityMatrix.putIfAbsent(u1, new HashMap<>());
            Map<Integer, Double> u1Ratings = userItemRatingMatrix.get(u1);
            
            for (int u2 : users) {
                if (u1 == u2) continue;
                
                Map<Integer, Double> u2Ratings = userItemRatingMatrix.get(u2);
                // 计算两个用户的共同评分商品
                Set<Integer> commonItems = new HashSet<>(u1Ratings.keySet());
                commonItems.retainAll(u2Ratings.keySet());
                
                if (commonItems.size() < 2) {
                    // 共同评分商品太少，相似度为0
                    userSimilarityMatrix.get(u1).put(u2, 0.0);
                    continue;
                }
                
                // 计算皮尔逊相关系数
                double sum1 = 0, sum2 = 0;
                double sum1Sq = 0, sum2Sq = 0;
                double pSum = 0;
                
                for (int item : commonItems) {
                    double r1 = u1Ratings.get(item);
                    double r2 = u2Ratings.get(item);
                    
                    sum1 += r1;
                    sum2 += r2;
                    sum1Sq += Math.pow(r1, 2);
                    sum2Sq += Math.pow(r2, 2);
                    pSum += r1 * r2;
                }
                
                int n = commonItems.size();
                double num = pSum - (sum1 * sum2 / n);
                double den = Math.sqrt((sum1Sq - Math.pow(sum1, 2) / n) * 
                                      (sum2Sq - Math.pow(sum2, 2) / n));
                
                double sim = (den == 0) ? 0 : num / den;
                userSimilarityMatrix.get(u1).put(u2, sim);
            }
        }
    }
    
    /**
     * 为目标用户推荐商品
     * @param userId 目标用户ID
     * @param k 相似用户数量
     * @param n 推荐商品数量
     * @return 推荐商品ID列表
     */
    public List<Integer> recommendItems(int userId, int k, int n) {
        if (!userItemRatingMatrix.containsKey(userId)) {
            return Collections.emptyList();
        }
        
        // 获取目标用户已评分的商品
        Set<Integer> ratedItems = userItemRatingMatrix.get(userId).keySet();
        
        // 获取相似用户并按相似度排序
        List<Map.Entry<Integer, Double>> similarUsers = new ArrayList<>(
            userSimilarityMatrix.get(userId).entrySet());
        similarUsers.sort((a, b) -> b.getValue().compareTo(a.getValue()));
        
        // 取前k个相似用户
        if (similarUsers.size() > k) {
            similarUsers = similarUsers.subList(0, k);
        }
        
        // 计算推荐商品的预测评分
        Map<Integer, Double> itemPredictions = new HashMap<>();
        
        for (Map.Entry<Integer, Double> entry : similarUsers) {
            int similarUser = entry.getKey();
            double similarity = entry.getValue();
            
            // 获取相似用户评过但目标用户未评的商品
            Map<Integer, Double> similarUserRatings = userItemRatingMatrix.get(similarUser);
            for (Map.Entry<Integer, Double> ratingEntry : similarUserRatings.entrySet()) {
                int item = ratingEntry.getKey();
                if (!ratedItems.contains(item)) {
                    double rating = ratingEntry.getValue();
                    // 加权评分
                    itemPredictions.merge(item, similarity * rating, Double::sum);
                }
            }
        }
        
        // 对预测评分进行归一化处理
        for (Map.Entry<Integer, Double> entry : similarUsers) {
            int similarUser = entry.getKey();
            double similarity = entry.getValue();
            
            Map<Integer, Double> similarUserRatings = userItemRatingMatrix.get(similarUser);
            for (int item : itemPredictions.keySet()) {
                if (similarUserRatings.containsKey(item)) {
                    itemPredictions.put(item, 
                        itemPredictions.get(item) / Math.abs(similarity));
                }
            }
        }
        
        // 按预测评分排序并返回前n个商品
        List<Map.Entry<Integer, Double>> sortedItems = new ArrayList<>(itemPredictions.entrySet());
        sortedItems.sort((a, b) -> b.getValue().compareTo(a.getValue()));
        
        List<Integer> recommendations = new ArrayList<>();
        for (int i = 0; i < Math.min(n, sortedItems.size()); i++) {
            recommendations.add(sortedItems.get(i).getKey());
        }
        
        return recommendations;
    }
    
    // 测试代码
    public static void main(String[] args) {
        UserBasedCF recommender = new UserBasedCF();
        
        // 模拟用户评分数据
        recommender.addRating(1, 101, 5.0);
        recommender.addRating(1, 102, 3.0);
        recommender.addRating(1, 103, 2.5);
        
        recommender.addRating(2, 101, 2.0);
        recommender.addRating(2, 102, 2.5);
        recommender.addRating(2, 103, 5.0);
        recommender.addRating(2, 104, 2.0);
        
        recommender.addRating(3, 101, 2.5);
        recommender.addRating(3, 104, 4.0);
        recommender.addRating(3, 105, 4.5);
        recommender.addRating(3, 107, 5.0);
        
        recommender.addRating(4, 101, 5.0);
        recommender.addRating(4, 103, 3.0);
        recommender.addRating(4, 104, 4.5);
        recommender.addRating(4, 106, 4.0);
        recommender.addRating(4, 107, 2.0);
        
        // 计算用户相似度
        recommender.calculateUserSimilarities();
        
        // 为用户1推荐2个商品
        List<Integer> recommendations = recommender.recommendItems(1, 2, 2);
        System.out.println("为用户1推荐的商品: " + recommendations);
    }
}

3. 代码说明

1. 数据结构:

   • userItemRatingMatrix: 存储用户对商品的评分

   • userSimilarityMatrix: 存储用户之间的相似度

   • itemUserInverseTable: 商品到用户的倒排表，加速计算

2. 核心方法:

   • addRating(): 添加用户评分数据

   • calculateUserSimilarities(): 计算用户相似度(使用皮尔逊相关系数)

   • recommendItems(): 为目标用户生成推荐列表

3. 推荐过程:

   • 找到与目标用户最相似的K个用户

   • 收集这些相似用户评价过但目标用户未评价的商品

   • 计算这些商品的预测评分(加权平均)

   • 返回评分最高的N个商品作为推荐

4. 实际应用中的优化建议

1. 数据稀疏性问题:

   • 实现降维技术(如SVD)

   • 使用混合推荐方法(结合基于内容的推荐)

2. 性能优化:

   • 使用稀疏矩阵存储数据

   • 实现增量更新机制，避免全量计算

   • 使用MapReduce或Spark进行分布式计算

3. 冷启动问题:

   • 对于新用户，可以使用热门商品推荐

   • 对于新商品，可以使用基于内容的推荐

4. 业务适配:

   • 考虑时间衰减因素(最近的评分权重更高)

   • 加入业务规则过滤(如库存、价格区间等)