# UserCF

**Repository Path**: zhangzhishun/UserCF

## Basic Information

- **Project Name**: UserCF
- **Description**: 基于用户的协同过滤算法
- **Primary Language**: Java
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 7
- **Forks**: 4
- **Created**: 2020-04-18
- **Last Updated**: 2023-03-05

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 算法思路整理

## 思想
​	当一个用户 A 需要个性化推荐时，可以先找到和他兴趣相似的用户群体 G，然后把 G购买过的、并且 A 没有听说过的物品推荐给 A

## 解决问题思路

​	我们最终要计算的是向用户A推荐```A的全部相似用户购买的全部车辆中用户A没有购买的```车辆的概率，所以我们需要计算以下几点：

 1. 设A的相似用户购买的全部车辆，为集合N

    ​	首先使用余弦相似度公式：(设 N(u) 为用户 u 喜欢的物品集合)

    ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200328143848734.png)

    ​	寻找相似用户集合G，然后即可获取到相似用户车辆集合N

 2. 设N中A没有购买的车辆集合，为集合M，对集合M进行遍历计算推荐概率

    ​	针对集合N的车辆进行遍历，找到M，然后使用公式：(```S(u, k)```包含和用户u兴趣最接近的K个用户，```N(i)```是对物品i有购买的用户集合，```w_uv```是用户u和用户v的相似度，```r_vi ```表示用户 v 对 i 的喜欢程度，默认1)

    ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200328143926195.png)

    ​	计算推荐概率

## 算法实现思路

<img src="https://img-blog.csdnimg.cn/2020032814385672.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2MjU0Njk5,size_16,color_FFFFFF,t_70" alt="在这里插入图片描述" style="zoom:150%;" />

1. 建立车辆-用户倒排表

  1.1  过程描述

  ​	针对所有用户，遍历每一个用户的购买记录，以购买记录的车辆为key，以用户ID为value向```itemUserCollection```集合中插入数据

  1.2 相似度矩阵核心代码：

  ```java
  // items:存储车辆集合 eg: a,b,c,d,e
  // length:某一用户的购买车辆数目
  // itemUserCollection:存储车辆到用户的倒排表 eg: a A B
  for(int j = 0; j < length; j ++){
      // 如果已经包含对应的车辆--用户映射，直接添加对应的用户
      if(items.contains(user_item[j])){
          itemUserCollection.get(user_item[j]).add(entry.getKey().toString());
      }else{
          // 否则创建对应车辆--用户集合映射
          items.add(user_item[j]);
          // 创建车辆--用户倒排关系
          itemUserCollection.put(user_item[j], new HashSet<>());
          itemUserCollection.get(user_item[j]).add(entry.getKey().toString());
      }
  }
  ```

  1.3 执行结果

  ​	```itemUserCollection```存储车辆用户的倒排表，用于计算所有用户之间的相似度

  ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200328143902380.png)


2. 计算相似度矩阵
  2.1  过程描述

  ​	从存储车辆到用户的倒排表```itemUserCollection```遍历，使用两层循环遍历```itemUserCollection```的value

  2.2 相似度矩阵核心代码：

  ```java
  // 计算用户u与用户v都有正反馈的车辆总数
  // sparseMatrix:存储用户两两之间的相似度
  // userID.get(user_u):根据用户名获取到的用户ID，例如要对矩阵中AB位置执行加1，必须知道AB在矩阵中对应位置为01和10
  // userID.get(user_v):同上
  sparseMatrix[userID.get(user_u)][userID.get(user_v)] += 1;
  ```

  2.3 执行结果

  ​	假设```itemUserCollection```集合内存在一条数据：```a：A B C ```那么对```AB AC BA BC CA CB```对应位置上的相似度矩阵执行加1

  ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200328143908353.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2MjU0Njk5,size_16,color_FFFFFF,t_70)

3. 计算用户之间的相似度、所有相似用户ID、相似用户购买车辆集合

  3.1 过程描述：

  ​		直接遍历用于存储用户两两之间的相似度的矩阵```sparseMatrix```，计算目标用户和相似用户的相似度，如果相似度大于0，那么将该用户放入相似用户集合```similarUsers```，并将他喜欢的车辆全部放入相似用户喜欢车辆集合```similarUsersItems```

  3.2 公式：
  ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200328143848734.png)

  3.3 计算用户相似度核心代码：

  ```java
  // sparseMatrix:存储用户两两之间的相似度
  // recommendUserId:根据用户获取存储的ID 比如被推送的用户是A，那么recommendUserId=0
  // userItemLength.get(recommendUser):被推荐用户recommendUser喜欢的车辆数量
  // userItemLength.get(idUser.get(j)):相似用户j喜欢的车辆的数量   
  double semblance = sparseMatrix[recommendUserId][j]/Math.sqrt(userItemLength.get(recommendUser)*userItemLength.get(idUser.get(j)));
  ```

  3.4 执行结果：```similarUsers```存储所有相似用户  ```similarUsersItems```存储所有相似用户购买的车辆

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200328143916951.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2MjU0Njk5,size_16,color_FFFFFF,t_70)

4. 存储目标用户对车辆的偏好度按偏好度降序

   ​	4.1 过程描述

   ​		遍历所有车辆，如果被推荐用户没有购买该车辆，那么使用下面的公式计算推荐该车辆的概率。

   ​	4.2 计算某一车辆偏好度公式：

   ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200328143926195.png)

   ​	4.3 核心代码

   ```java
   // sparseMatrix[userID.get(recommendUser)][userID.get(user)]:用户两两之间的相似度，用于分子
   // Math.sqrt(userItemLength.get(recommendUser)*userItemLength.get(user)):两用户喜欢的车的数量的乘积再开方作为分母
   itemRecommendDegree += sparseMatrix[userID.get(recommendUser)][userID.get(user)]/Math.sqrt(userItemLength.get(recommendUser)*userItemLength.get(user));
   ```

   

   4.4 执行结果

   ​	result存储目标用户对车辆的偏好度并按偏好度降序

   ​	最终推荐概率都保存到了result集合中，key为推荐的车辆，value为推荐概率