基于用户的协同过滤算法（java代码）
1.User_collaborative_Filtering类
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStreamReader;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.Scanner;
public class User_collaborative_Filtering {
double finally_up = 0;//存放最终上面数据
double finally_down =0;//存放最终上面数据
int m;//记录用户数
int n;//记录项目数
int rate_level = 5;//存放用户的评分
public Triple[] Obj_User;//初始化运行
int[] User_rate_times ;//初始化运行
double[] User_quality;//各个商品的质量
int[] Same_User;//定义与评价过商品的用户赋值为1
double[] Pearson_correlation_coefficient;//计算邻居与目标用户的皮尔逊系数
double[][] User_Obj_rate;//创建用户评价项目的评分矩阵
double User_p;//存放皮尔逊相关系数
double[] User_Pearson_correlation;
double predict_Score;//输出预测分数
int seek_User;//存放预测用户
int seek_Item;//存放预测项
double[] after_same_array;//存放皮尔逊相关系数排序后的数组
int[] same_index;//存放相似用户的编号
double[] same_User_Pearson_correlation;//创建查找皮尔逊最大两个值的数组下标
int count;
private File file=new File(""); //输入读取的文件
FileInputStream in = null;
InputStreamReader reader=null;
BufferedReader buf_reader=null;
public void input_value (){
System.out.println("请输入预测的用户和项目编号：");
Scanner input = new Scanner(System.in);
this.seek_User = input.nextInt();//nextInt()方法读取输入数据为int的类型
this.seek_Item = input.nextInt();
input.close();
}
public User_collaborative_Filtering() {
this.m=0;
this.n=0;
Init();
}
public void Init() {
try {
String str;
in=new FileInputStream(file);
reader = new InputStreamReader(in);
buf_reader = new BufferedReader(reader);
ArrayList<Double> Rate = new ArrayList<Double>();
ArrayList<Integer> Users = new ArrayList<Integer>();
ArrayList<Integer> Objs = new ArrayList<Integer>();
int h=0;//读取行数
while((str=buf_reader.readLine())!=null) {
String[] string= str.split("\t");
if(Integer.parseInt(string[0])>m) {
m=Integer.parseInt(string[0]);
}
if(Integer.parseInt(string[1])>n) {
n=Integer.parseInt(string[1]);
}
h++;
Users.add(Integer.parseInt(string[0]));
Rate.add(Double.parseDouble(string[2]));
Objs.add(Integer.parseInt(string[1]));
}
Obj_User=new Triple[h];
User_quality=new double[m];//存放用户的平均分
User_rate_times= new int[m]; //用于统计各个用户的购买次数
Same_User = new int[m];//找出评价过预测商品的用户
Pearson_correlation_coefficient = new double[m];
User_Obj_rate =new double[m][n];
User_Pearson_correlation = new double[m];
after_same_array = new double[m];
same_index = new int[m];
same_User_Pearson_correlation = new double[m];
for(int n=0;n<h;n++) {
Obj_User[n]=new Triple();
}
for(int n=0;n<h;n++) {
if(Rate.get(n)!=0) {
Obj_User[n].i=Users.get(n);//将初始信息存放在三元组之中
Obj_User[n].j=Objs.get(n);
Obj_User[n].data=Rate.get(n);
}
}
}
catch (FileNotFoundException e) {
// TODO 自动生成的 catch 块
e.printStackTrace();
}
catch (IOException e) {
// TODO 自动生成的 catch 块
e.printStackTrace();
}
}
public void Init_User_Obj_rate(){
for(int i=0;i<Obj_User.length;i++) {
User_Obj_rate[Obj_User[i].i-1][Obj_User[i].j-1]=Obj_User[i].data;
}
}
public void Init_User_rate_time() {//统计用户的评分次数
for(int i=0;i<Obj_User.length;i++) {
User_rate_times[Obj_User[i].i-1]++;
}
}
public void Init_User_quality(){//计算每个用户的平均分
for(int i = 0;i < Obj_User.length;i++){
User_quality[Obj_User[i].i-1] += Obj_User[i].data;
}
for(int i = 0;i < m;i++){
User_quality[i] = User_quality[i]/User_rate_times[i];
}
}
public void Select_Same_User(int a_item,int b_user){//传递需要预测的商品编号,其中a代表商品编号，b代表用户编号
for(int i = 0;i < m;i++){
int count3 = 0;
if(User_Obj_rate[i][(a_item-1)]!= 0){
for(int j =0;j<n;j++){
if(User_Obj_rate[i][j]!=0 && User_Obj_rate[b_user-1][j]!=0){
count3++;
if(count3>=10){//限制用户之间的度至少要大于多少
Same_User[i]=1;
}
}
}
}
}
}
//这边往上都没问题
public void Calcuate_Pearson_correlation_coefficient(int b){//传入用户编号
for(int i = 0;i < m;i++){
if(Same_User[i]==1){
double s_up = 0;//存放皮尔逊系数的上半部分
double s_down = 0;
double s_down1 = 0;//存放相同用户皮尔逊系数的下半部分
double s_down2 = 0;//存放相同用户皮尔逊系数的下半部分
if(i != (b-1)){
//System.out.println("此时用户为： "+(i+1));
for(int j = 0;j < n;j++){
if(User_Obj_rate[i][j]!=0 && User_Obj_rate[b-1][j]!=0){
s_up += (User_Obj_rate[b-1][j]-User_quality[b-1])*(User_Obj_rate[i][j]-User_quality[i]);
s_down1 +=((User_Obj_rate[b-1][j]-User_quality[b-1])*(User_Obj_rate[b-1][j]-User_quality[b-1]));
s_down2 +=(User_Obj_rate[i][j]-User_quality[i])*(User_Obj_rate[i][j]-User_quality[i]);
}
}
s_down =((Math.sqrt(s_down1))*(Math.sqrt(s_down2)));
//System.out.println("这是当用户为: "+(i+1)+"时，s_up： "+s_up+"s_down1: "+s_down1+"s_down2: "+s_down2+"s_down: "+s_down);
User_p = s_up/s_down;
User_Pearson_correlation[i]=User_p;
}
}
}
}
public void creat_same_User_Pearson_correlation(){//创建皮尔逊查找数组下标数组
for(int i = 0;i<m;i++){
same_User_Pearson_correlation[i]=User_Pearson_correlation[i];
}
}
public void select_userNumbers(){//选择相似用户的个数
int count = 2;//设置选择相近用户的个数
for(int j = 0;j< count;j++){
double max1=same_User_Pearson_correlation[0];
for(int i = 0;i < m-1;i++){//该循环为了找最大值
if(same_User_Pearson_correlation[i+1]>max1){
max1 = same_User_Pearson_correlation[i+1];
}
}
for(int i = 0;i < m;i++){//该循环为了找最大值的下标
if(same_User_Pearson_correlation[i]==max1){
same_index[i] = 1;
same_User_Pearson_correlation[i]=0;
}
}
}
}
public void predict_score(int a,int b){//a传递商品编号,b传递用户编号
for(int i = 0;i < m;i++){
if(same_index[i]!=0&&User_Pearson_correlation[i]>0 && i!=(b-1)){
this.finally_up +=User_Pearson_correlation[i]*(User_Obj_rate[i][a-1]-User_quality[i]);
this.finally_down +=Math.abs(User_Pearson_correlation[i]);
}
}
this.predict_Score = finally_up/finally_down+User_quality[b-1];
}
public void Calculate(){
input_value();
Init();
Init_User_Obj_rate();
Init_User_rate_time();
Init_User_quality();
Select_Same_User(seek_Item,seek_User);
Calcuate_Pearson_correlation_coefficient(seek_User);
creat_same_User_Pearson_correlation();
select_userNumbers();
predict_score(seek_Item,seek_User);
System.out.println("用户 "+seek_User+" 对商品 "+seek_Item+" 的评分预测为："+predict_Score);
}
}2.Triple类
public class Triple {
public int i;//分别用来表示行和列
public int j;
public double data;//用于存储数值
public Triple(int i,int j,double data) {
this.i=i;
this.j=j;
this.data=data;
}
public Triple() {
}
}3.Run_code类（主类）
public class Run_code {
public static void main(String[] arguments){
User_collaborative_Filtering test = new User_collaborative_Filtering();
test.Calculate();
}
}本文是是利用皮尔逊计算相似用户，来预测用户对商品的评分，该代码可以实现用户对商品的预测评分，只需要在上面的代码中，输入相应的文件即可。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
