基于物品的协同过滤算法简单实战应用

前言

提示：此文章作为实际开发过程中的文档记录，下面案例仅供参考

随着业务的不断扩展，需要一些个性化的功能来增加亮点，本章介绍了个性化功能之一的推荐功能。 使用基于物品的协同过滤算法来实现推荐功能。

此文章就不介绍推荐算法内部逻辑了，重在实现

一、数据库设计

直接先上数据库

这是最基本的格式，只需要USER_ID，ITEM_ID，PREFERENCE这三个字段就可以实现行为数据存储。

这里的ITEM_ID为实际需要推荐对象的唯一键

当然，也可以根据实际业务，加上需要的字段，比如时间。

下面是数据准备，可以作为测试数据

二、代码实现

提示：代码实现只展示获取推荐数据的业务层，保存逻辑就正常存到数据库就行

1.基于物品的协同过滤算法实现智能推荐

代码如下（示例）：

/** * 基于物品的协同过滤算法实现智能推荐(知识) * * @param username 用户账号 * @return 结果 * @throws ClassNotFoundException 异常 * @throws TasteException 异常 */publicList<String>getAiItemSimilarityRecommendKw(Stringusername){try{StringuserStringId=adminFeign.getUserIdByUserName(username).getData();if(StringUtils.isEmpty(userStringId)){returnnewArrayList<>();}LonguserId=Long.parseLong(userStringId);returnaiRecommendUtil.aiItemSimilarityRecommendKw(userId,5);}catch(Exceptione){log.info("获取智能推荐数据失败---{}",e.getMessage());returnnewArrayList<>();}}

/** * 基于物品的协同过滤算法实现智能推荐(知识) * * @param userId 用户id * @param howMany 推荐数量 * @return * @throws ClassNotFoundException 异常 * @throws SQLException * @throws TasteException */publicList<String>aiItemSimilarityRecommendKw(LonguserId,IntegerhowMany)throwsClassNotFoundException,SQLException,TasteException{Class.forName(aiRecommendClassName);MysqlDataSourcedataSource=newMysqlDataSource();dataSource.setServerName(aiRecommendServiceName);//本地为localhostdataSource.setUser(user);dataSource.setPassword(password);dataSource.setDatabaseName(databaseName);dataSource.setUseSSL(false);JDBCDataModeldataModel=newMySQLJDBCDataModel(dataSource,"ai_recommend_kw","USER_ID","ITEM_ID","PREFERENCE",null);// 用ReloadFromJDBCDataModel包装一层，提高推荐性能ReloadFromJDBCDataModelreloadFromJDBCDataModel=newReloadFromJDBCDataModel(dataModel);// 计算物品相似度ItemSimilaritycachingSimilarity=null;try{ItemSimilaritysimilarity=newPearsonCorrelationSimilarity(reloadFromJDBCDataModel);// 使用CachingItemSimilarity包装物品相似度计算器cachingSimilarity=newCachingItemSimilarity(similarity,reloadFromJDBCDataModel);}catch(TasteExceptione){e.printStackTrace();}// 构建推荐引擎GenericItemBasedRecommenderrecommender=newGenericItemBasedRecommender(reloadFromJDBCDataModel,cachingSimilarity);// 给用户userId推荐howMany个物品List<RecommendedItem>recommendations=null;try{recommendations=recommender.recommend(userId,howMany);}catch(TasteExceptione){e.printStackTrace();}List<String>resultList=newArrayList<>();log.info("使用基于物品的协同过滤算法");if(CollectionUtils.isEmpty(recommendations)){returnnewArrayList<>();}for(RecommendedItemrecommendedItem:recommendations){resultList.add(String.valueOf(recommendedItem.getItemID()));log.info("推荐结果:{}",recommendedItem);}returnresultList;}

2.结果

推荐结果:RecommendedItem[item:548948167409598464,value:2.7]推荐结果:RecommendedItem[item:483350820622897152,value:1.6]推荐结果:RecommendedItem[item:601551980415238144,value:1.6]推荐结果:RecommendedItem[item:601556963080671232,value:1.6]推荐结果:RecommendedItem[item:454377148632952832,value:1.4]

总结

由上述操作就能实现一个非常简单的推荐功能，但如果得到一个完善的推荐功能还远远不够。