JAVA推荐系统
源码地址:https://gitee.com/taisan/recommend_system
系统原理
该系统使用java编写的基于用户的协同过滤算法(UserCF) 利用统计学的相关系数经常皮尔森(pearson)相关系数计算相关系数来实现千人千面的推荐系统。
协同过滤推荐算法是诞生最早,并且较为著名的推荐算法。主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好,基于不同的偏好对用户进行群组划分并推荐品味相似的商品。协同过滤推荐算法分为两类,分别是基于用户的协同过滤算法(user-based collaboratIve filtering),和基于物品的协同过滤算法(item-based collaborative filtering)。简单的说就是:人以类聚,物以群分。
皮尔森(pearson)相关系数公式
公式定义为: 两个连续变量(X,Y)的pearson相关性系数(Px,y)等于它们之间的协方差cov(X,Y)除以它们各自标准差的乘积(σX,σY)。系数的取值总是在-1.0到1.0之间,接近0的变量被成为无相关性,接近1或者-1被称为具有强相关性。 通常情况下通过以下取值范围判断变量的相关强度: 相关系数 0.8-1.0 极强相关 0.6-0.8 强相关 0.4-0.6 中等程度相关 0.2-0.4 弱相关 0.0-0.2 极弱相关或无相关
java代码实现
/**
* 方法描述: 皮尔森(pearson)相关系数计算
*
* @param xs
* @param ys
* @Return {@link Double}
* @throws
* @author tarzan
* @date 2020年07月31日 17:03:20
*/
public static Double getRelate(List<Integer> xs, List<Integer> ys){
int n=xs.size();
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 0.0;
return numerator/denominator;
}
软件架构
Spring boot单项目
安装教程
- git下载源码
- maven构建依赖
- idea-java运行
使用说明
-
找到 src / main / java / com / tarzan / recommend / Service / Recommend.java 右键java 运行
-
找到FileDataSource类,将文件路径改为你本地的目录
-
文件ml-100k 在 src / main / resources目录下
技术交流&问题反馈
刚刚整理的代码还有很多不足之处,如有问题请联系我
联系QQ:1334512682
微信号:vxhqqh