推荐系统——基于用户的协同过滤算法

1.RelateDTO

package com.example.entity;/*** 协同过滤算法*/
public class RelateDTO {/** 用户id */private Integer useId;/** 商品id */private Integer goodsId;/** 指数 */private Integer index;public RelateDTO(Integer useId, Integer goodsId, Integer index) {this.useId = useId;this.goodsId = goodsId;this.index = index;}public Integer getUseId() {return useId;}public void setUseId(Integer useId) {this.useId = useId;}public Integer getGoodsId() {return goodsId;}public void setGoodsId(Integer goodsId) {this.goodsId = goodsId;}public Integer getIndex() {return index;}public void setIndex(Integer index) {this.index = index;}
}

2.CoreMath

package com.example.utils.recommend;import cn.hutool.core.collection.CollectionUtil;
import com.example.entity.RelateDTO;import java.util.ArrayList;
import java.util.List;
import java.util.Map;
import java.util.TreeMap;
import java.util.stream.IntStream;/*** 基于用户的协同过滤的核心算法*/
public class CoreMath {/*** 计算相关系数并排序*/public static Map<Integer, Double> computeNeighbor(Integer key, Map<Integer, List<RelateDTO>> map, int type) {Map<Integer, Double> distMap = new TreeMap<>();List<RelateDTO> userItems = map.get(key);if (CollectionUtil.isNotEmpty(userItems)) {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 distance = Math.abs(coefficient);distMap.put(k, distance);}});}return distMap;}/*** 计算两个序列间的相关系数*/private static double relateDist(List<RelateDTO> xList, List<RelateDTO> yList, int type) {List<Integer> xs = new ArrayList<>();List<Integer> ys = new ArrayList<>();xList.forEach(x -> yList.forEach(y -> {if (type == 0) {if (x.getGoodsId().equals(y.getGoodsId())) {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* @Return {@link double}*/public static double getRelate(List<Integer> xs, List<Integer> ys) {int n = xs.size();//至少有两个元素if (n < 2) {return 0D;}double Ex = xs.stream().mapToDouble(x -> x).sum();double Ey = ys.stream().mapToDouble(y -> y).sum();double Ex2 = xs.stream().mapToDouble(x -> Math.pow(x, 2)).sum();double Ey2 = ys.stream().mapToDouble(y -> Math.pow(y, 2)).sum();double Exy = IntStream.range(0, n).mapToDouble(i -> xs.get(i) * ys.get(i)).sum();double numerator = Exy - Ex * Ey / n;double denominator = Math.sqrt((Ex2 - Math.pow(Ex, 2) / n) * (Ey2 - Math.pow(Ey, 2) / n));if (denominator == 0) {return 0D;}return numerator / denominator;}}

3.UserCF

package com.example.utils.recommend;import cn.hutool.core.collection.CollectionUtil;
import com.example.entity.RelateDTO;import java.util.Collections;
import java.util.List;
import java.util.Map;
import java.util.Set;
import java.util.stream.Collectors;public class UserCF {/*** 方法描述: 推荐商品id列表** @param userId 当前用户* @param list   用户商品评分数据* @return {@link List<Integer>}*/public static List<Integer> recommend(Integer userId, List<RelateDTO> list) {// 按用户分组Map<Integer, List<RelateDTO>> userMap = list.stream().collect(Collectors.groupingBy(RelateDTO::getUseId));// 获取其他用户与当前用户的关系值Map<Integer, Double> userDisMap = CoreMath.computeNeighbor(userId, userMap, 0);if (CollectionUtil.isEmpty(userDisMap)) {return Collections.emptyList();}// 获取关系最近的用户double maxValue = Collections.max(userDisMap.values());Set<Integer> userIds = userDisMap.entrySet().stream().filter(e -> e.getValue() == maxValue).map(Map.Entry::getKey).collect(Collectors.toSet());// 取关系最近的用户Integer nearestUserId = userIds.stream().findAny().orElse(null);if (nearestUserId == null) {return Collections.emptyList();}// 最近邻用户看过商品列表List<Integer> neighborItems = userMap.get(nearestUserId).stream().map(RelateDTO::getGoodsId).collect(Collectors.toList());// 指定用户看过商品列表List<Integer> userItems = userMap.get(userId).stream().map(RelateDTO::getGoodsId).collect(Collectors.toList());// 找到最近邻看过，但是该用户没看过的商品neighborItems.removeAll(userItems);return neighborItems;}}

4.service实现类实现该操作

/*** 基于用户的协同过滤算法实现* num：返回的数据的个数*/
public List<Goods> recommend(Integer num) {// 定义一个存储每个商品和每个用户关系的ListList<RelateDTO> data = new ArrayList<>();// 定义一个存储最后返回给前端的商品ListList<Goods> result = new ArrayList<>();// 判断用户登录情况Account currentUser = TokenUtils.getCurrentUser();if (ObjectUtil.isEmpty(currentUser)) {// 若用户未登录，随机推荐10个商品result = getRandomGoods(result,num);return result;}// 用户的哪些行为可以认为他跟商品产生了关系：收藏、加入购物车、下单、评论、评分等// 1. 获取所有的收藏信息List<Collect> allCollects = collectMapper.selectAll(null);// 2. 获取所有的购物车信息List<Cart> allCarts = cartMapper.selectAll(null);// 3. 获取所有的订单信息List<Orders> allOrders = ordersMapper.selectAllOKOrders();// 4. 获取所有的评分信息：5分制，只查询评分大于等于3的评论List<Comment> allComments = commentMapper.selectAllOKComments();// 5. 获取所有的用户信息List<User> allUsers = userMapper.selectAll(null);// 6. 获取所有的商品信息List<Goods> allGoods = goodsMapper.selectAll(null);// 开始计算每个商品和每个用户之间的关系数据for (Goods goods : allGoods) {Integer goodsId = goods.getId();for (User user : allUsers) {Integer userId = user.getId();int index = 1;// 1. 判断该用户有没有收藏该商品，收藏的权重我们给：1Optional<Collect> collectOptional = allCollects.stream().filter(x -> x.getGoodsId().equals(goodsId) && x.getUserId().equals(userId)).findFirst();if (collectOptional.isPresent()) {index += 1;}// 2. 判断该用户有没有给该商品加入购物车，加入购物车的权重我们给：2Optional<Cart> cartOptional = allCarts.stream().filter(x -> x.getGoodsId().equals(goodsId) && x.getUserId().equals(userId)).findFirst();if (cartOptional.isPresent()) {index += 2;}// 3. 判断该用户有没有对该商品下过单（已完成的订单），订单的权重我们给：3Optional<Orders> ordersOptional = allOrders.stream().filter(x -> x.getGoodsId().equals(goodsId) && x.getUserId().equals(userId)).findFirst();if (ordersOptional.isPresent()) {index += 3;}// 4. 判断该用户有没有对该商品评分过 注：商品的评分与订单绑定删除，因此不会index减为负数// 1分：-3；2分；-2；三分：0；4分：2；5分：3Optional<Comment> commentOptional = allComments.stream().filter(x -> x.getGoodsId().equals(goodsId) && x.getUserId().equals(userId)).findFirst();if (commentOptional.isPresent()) {if (commentOptional.get().getScore() == 1){index -= 3;} else if(commentOptional.get().getScore() == 2){index -= 2;} else if(commentOptional.get().getScore() == 4){index += 2;} else if(commentOptional.get().getScore() == 5){index += 3;}}if (index > 1) {RelateDTO relateDTO = new RelateDTO(userId, goodsId, index);data.add(relateDTO); // 将遍历获得的数据添加到data里面}}}// 数据准备结束后，就把这些数据一起喂给这个推荐算法List<Integer> goodsIds = UserCF.recommend(currentUser.getId(), data);// 把商品id转换成商品：推荐算法获取的商品result = goodsIds.stream().map(goodsId -> allGoods.stream().filter(x -> x.getId().equals(goodsId)).findFirst().orElse(null)).limit(num).collect(Collectors.toList());// 若推荐结果为空，随机给它推荐10个if (CollectionUtil.isEmpty(result)) {return getRandomGoods(result,num);}// 若推荐结果小于10个，随机增加几个，使个数为10个if (result.size() < num) {int count = num - result.size();// 随机获取几个商品result = getRandomGoods(result,count);}return result;
}/*** 若推荐结果不够，随机添加几个数据中没有的商品*/
private List<Goods> getRandomGoods(List<Goods> result,int num) {int length=result.size();List<Goods> goods = goodsMapper.selectAll(null);for (int i = 0; result.size()<length+num; i++) {boolean flag=false;int index = new Random().nextInt(goods.size());for(int j=0;j<result.size();j++){ // 排除重复if(goods.get(index).getId().equals(result.get(j).getId())){flag=true; // 若随机产生的商品已存在数组中，则排除}}if(flag==false){result.add(goods.get(index));}}return result;
}

可以点个免费的赞吗！！！   

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/644220.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

seldom之数据驱动

seldom之数据驱动

seldom之数据驱动 如果自动化某个功能&#xff0c;测试数据不一样而操作步骤是一样的&#xff0c;那么就可以使用参数化来节省测试代码。 seldom是我在维护一个Web UI自动化测试框&#xff0c;这里跟大家分享seldom参数化的实现。 GitHub&#xff1a;GitHub - SeldomQA/seld…
阅读更多...
数据结构OJ题——二叉树前序、中序遍历非递归实现（Java版）

数据结构OJ题——二叉树前序、中序遍历非递归实现（Java版）

二叉树前序、中序遍历非递归实现 前序非递归遍历实现中序非递归遍历实现 前序非递归遍历实现 题目&#xff1a; 二叉树前序遍历非递归实现 总体思路&#xff1a;用非递归的方式模拟递归遍历。 以下图为例&#xff1a; 图示详解&#xff1a; 代码实现&#xff1a; /*** Defi…
阅读更多...
【软考中级】3天擦线过软考中级-软件设计师

【软考中级】3天擦线过软考中级-软件设计师

前提&#xff1a;已有数据结构、操作系统、计算机网络、数据库基础 &#xff08;风险系数较高&#xff0c;请谨慎参考&#xff09; 贴一个成绩单hhhh 弯路&#xff1a;很早之前有看过一遍网上的软考课程&#xff0c;也记录了一些笔记&#xff0c;然而听完还是啥都记不住。 推…
阅读更多...
day29打卡

day29打卡

11. 递增子序列 var findSubsequences function(nums) {let result []let path []function backtracing(startIndex) {if(path.length > 1) {result.push(path.slice())}let uset []for(let i startIndex; i < nums.length; i) {if((path.length > 0 &&…
阅读更多...
安科瑞弧光保护装置助力煤矿高压开关柜的可靠供电

安科瑞弧光保护装置助力煤矿高压开关柜的可靠供电

摘要 在煤矿高压开关柜运行中&#xff0c;由于受到多种因素的干扰&#xff0c;中低压母线发生故障的概率较高&#xff0c;在中低压母线装设中又没有设置专门的保护&#xff0c;所以开关柜电弧光短路等问题时有发生&#xff0c;对变压器等设备造成一定的损害。鉴于此&#xff0c…
阅读更多...
【MySQL源码】Seconds_Behind_Master是如何计算的

【MySQL源码】Seconds_Behind_Master是如何计算的

作为MySQL DBA&#xff0c;相信大家对参数 Seconds_Behind_Master 并不陌生&#xff0c;该字段的值可以通过 show slave status\G的输出&#xff0c;表示主从延迟的时间&#xff0c;单位为秒。监控主从延迟一般取这个值就足够了。0 表示无延迟&#xff0c;理想状态该值不要超…
阅读更多...
Go实现一个简单的烟花秀效果（附带源码）

Go实现一个简单的烟花秀效果（附带源码）

在 Go 语言中&#xff0c;要实现烟花秀效果可以使用 github.com/fogleman/gg 包进行绘图。以下是一个简单的例子&#xff1a; 首先&#xff0c;确保你已经安装了&#xff08;有时候需要梯子才可以安装&#xff09; github.com/fogleman/gg 包&#xff1a; go get -u github.c…
阅读更多...
iou的cpu和gpu源码实现

iou的cpu和gpu源码实现

本专栏主要是深度学习/自动驾驶相关的源码实现,获取全套代码请参考 简介 IoU&#xff08;Intersection over Union&#xff09;是一种测量在特定数据集中检测相应物体准确度的一个标准&#xff0c;通常用于目标检测中预测框&#xff08;bounding box&#xff09;之间准确度的…
阅读更多...
C语言|算术操作符相关题目

C语言|算术操作符相关题目

下面代码的结果是&#xff1a;( ) #include <stdio.h> int main() {int a, b, c;a 5;c a;b c, c, a, a;b a c;printf("a %d b %d c %d\n:", a, b, c);return 0; }A.a 8 b 23 c 8 B.a 9 b 23 c 8 C.a 9 b 25 c 8 D.a 9 b 24 c 8 解析&…
阅读更多...
SSM项目集成Spring Security 4.X版本（使用spring-security.xml 配置文件方式）

SSM项目集成Spring Security 4.X版本（使用spring-security.xml 配置文件方式）

目录 前言 实战开发&#xff1a; 一、Spring Security整合到SSM项目 1. pom文件引入包 2. web.xml 配置 3. 添加 spring-security.xml 文件 二、Spring Security实战应用 1. 项目结构 2. pom文件引入 3. web.xml 配置 4. Spring 配置 applicationContext.xml 5. sp…
阅读更多...
Gartner：浪潮信息居全球服务器份额第二，中国第一

Gartner：浪潮信息居全球服务器份额第二，中国第一

近日&#xff0c;国际权威研究机构高德纳&#xff08;Gartner&#xff09;公布《2023年第3季度全球服务器市场追踪报告》&#xff0c;2023Q3全球服务器出货量为280.6万台&#xff0c;同比下降17.0%&#xff0c;销售额为329.3亿美元&#xff0c;同比增长9.6%。浪潮信息服务器蝉联…
阅读更多...
2-SAT问题相关理论和算法

2-SAT问题相关理论和算法

前言 SAT 问题简介 SAT是可满足性、适定性(Satisfiability)问题的简称。一般形式为k-适定性问题或k-可满足性问题&#xff0c;简称 k-SAT。 何为布尔可满足性问题&#xff1f;给定一条真值表达式&#xff0c;包含逻辑变量、逻辑与、逻辑或以及非运算符&#xff0c;如&#x…
阅读更多...
大模型学习笔记10——大模型法律与环境影响

大模型学习笔记10——大模型法律与环境影响

大模型学习笔记10——大模型法律与环境影响 大模型法律 在我们训练大型语言模型时&#xff0c;我们必须面对版权和公平使用的问题。由于网络爬取的未筛选性质&#xff0c;你必须诉诸公平使用&#xff08;从每个人那里获得许可证将非常困难&#xff09;。模型的生成性可能会对…
阅读更多...
Laravel框架修改默认路由的方法

Laravel框架修改默认路由的方法

Laravel框架默认提供了几个路由&#xff0c;如&#xff1a;GET、POST、PUT、DELETE等&#xff0c;这些都是针对不同的HTTP请求方法定义的。如果我们想要修改默认的路由&#xff0c;首先需要建立自定义路由。 新建一个名为routes/custom.php的文件&#xff0c;此文件用于定义自…
阅读更多...
BioTech - 量子化学与分子力场

BioTech - 量子化学与分子力场

欢迎关注我的CSDN&#xff1a;https://spike.blog.csdn.net/ 本文地址&#xff1a;https://spike.blog.csdn.net/article/details/135787607 量子化学是应用量子力学的规律和方法来研究化学问题的一门学科&#xff0c;主要关注分子的结构、性质和反应过程。 量子化学的理论方法…
阅读更多...
Redis解决方案：NOAUTH Authentication required（连接jedis绑定密码或修改redis密码）

Redis解决方案：NOAUTH Authentication required（连接jedis绑定密码或修改redis密码）

Redis解决方案&#xff1a;NOAUTH Authentication required&#xff08;连接jedis绑定密码或修改redis密码&#xff09; Java使用jedis连接redis时出现错误NOAUTH Authentication required 一、问题报错和原因 本地设置了redis的密码&#xff0c;但在远程连接时并没有输入密…
阅读更多...
定向减免！函数计算让 ETL 数据加工更简单

定向减免！函数计算让 ETL 数据加工更简单

业内较为常见的高频短时 ETL 数据加工场景&#xff0c;即频率高时延短&#xff0c;一般费用大头均在函数调用次数上&#xff0c;推荐方案一般为攒批处理&#xff0c;高额的计算成本往往令用户感到头疼&#xff0c;函数计算推出定向减免方案&#xff0c;让 ETL数据加工更简单、更…
阅读更多...
浅谈手机APP测试（流程）

浅谈手机APP测试（流程）

前言 APP测试是一个广泛的概念&#xff0c;根据每个app的应用场景不一样&#xff0c;测试的方向也略微的不同&#xff0c;在测试过程中需要灵活应用自身所知的测试手段。 今天就跟大家简单聊聊手机APP测试的一些相关内容。 APP开发流程 &#xff08;1&#xff09; 拿到需求分…
阅读更多...
2024年，IT行业下一个就业风口在哪？

2024年，IT行业下一个就业风口在哪？

搜狐&#xff1a;我宣布与华为达成鸿蒙全面合作&#xff01; 美团&#xff1a;我宣布与华为达成鸿蒙全面合作&#xff01; 360 &#xff1a;我宣布与华为达成鸿蒙全面合作&#xff01; 高德&#xff1a;我宣布与华为达成鸿蒙全面合作&#xff01; 新浪&#xff1a;我宣布与华为…
阅读更多...
一站式解决钉钉开票与金蝶云星辰对接问题，让企业管理更轻松！

一站式解决钉钉开票与金蝶云星辰对接问题，让企业管理更轻松！

客户介绍 某企业服务有限公司专注于为企业提供全方位、高质量的企业服务&#xff0c;致力于于企业管理咨询、企业形象策划、市场营销策划、财务管理咨询等方面。该公司拥有一支经验丰富、专业化的团队&#xff0c;他们深入了解企业需求&#xff0c;为客户提供个性化的解决方案…
阅读更多...
最新文章

Copyright @ 2022~2023