基于用户的协同过滤推荐算法单机版代码实现(包含输出用户-评分矩阵模型、用户间相似度、最近邻居、推荐结果、平均绝对误差MAE、查准率、召回率)

本文主要是介绍基于用户的协同过滤推荐算法单机版代码实现(包含输出用户-评分矩阵模型、用户间相似度、最近邻居、推荐结果、平均绝对误差MAE、查准率、召回率),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

基于用户的协同过滤推荐算法单机版代码实现(包含输出用户-评分矩阵模型、用户间相似度、最近邻居、推荐结果、平均绝对误差MAE、查准率、召回率)

一、开发工具及使用技术

MyEclipse10、jdk1.7、mahout API、movielens数据集。

二、实现过程

1、定义用户-电影评分矩阵:

/**

 * 用户-电影评分矩阵工具类

 */

public class DataModelUtil {

   //定义用户-电影评分矩阵

   private static DataModel model = null;

      //初始化数据

   static{

      try {

       InputStream inputStream = DataModelUtil.class.getClassLoader().

              getResourceAsStream(Constant.dataPath+Constant.rateFile);

       File file = new File("d://"+Constant.rateFile);

        if (!file.exists())

                file.createNewFile();

        OutputStream outputStream = new FileOutputStream(file);

            int bytesRead = 0;

            byte[] buffer = new byte[1024];

            while ((bytesRead = inputStream.read(buffer, 0, 1024)) != -1) {

             outputStream.write(buffer, 0, bytesRead);

            }

            outputStream.close();

            inputStream.close();

            model = new FileDataModel(file);//实例化数据源

      } catch (Exception e) {

        e.printStackTrace();

      }

   }

  

   /**

    * 得到用户-电影评分矩阵

    * @return

    */

   public static DataModel getDataModel(){

      return model;

   }

  

   /**

    * 获取矩阵中的所有用户

    * @return

    */

   public static LongPrimitiveIterator getUserids(){

      try {

        return model.getUserIDs();

      } catch (TasteException e) {

        e.printStackTrace();

      }

      return null;

   }

  

   /**

    * 获取矩阵中的所有电影

    * @return

    */

   public static LongPrimitiveIterator getItemids(){

      try {

        return model.getItemIDs();

      } catch (TasteException e) {

        e.printStackTrace();

      }

      return null;

   }

  

   /**

    * 根据用户id和电影id找到评分

    * @param userid

    * @param itemid

    * @return

    */

   public static Float getPreferenceValue(long userid,long itemid){

      try {

        return model.getPreferenceValue(userid,itemid);

      } catch (TasteException e) {

        e.printStackTrace();

      }

      return null;

   }

  

}

2、计算用户之间的相似度:

/**

 * 相似度工具类

 */

public class SimilarityUtil {

 

   /**

    * 获取用户相似度对象

    * @param dataModel

    * @return

    */

   public static UserSimilarity getUserSimilarity(DataModel dataModel){

      return (UserSimilarity) getPearsonSimilarity(dataModel);

   }

  

   /**

    * 使用pearson皮尔森相似度算法

    * @param dataModel

    * @return

    */

   private static Object getPearsonSimilarity(DataModel dataModel){

      try {

        return new PearsonCorrelationSimilarity(dataModel);

      } catch (TasteException e) {

        e.printStackTrace();

      }

      return null;

   }

  

}

3、计算目标用户的最近邻居:

/**

 * 最近邻居工具类

 * @author line

 *

 */

public class NearestNUserUtil {

 

   /**

    * 最近邻居工具方法

    * @param userSimilarity

    * @param dataModel

    * @return

    */

   public static UserNeighborhood getNearestNUser(UserSimilarity userSimilarity,

        DataModel dataModel){

      try {

        return new NearestNUserNeighborhood(Constant.knn, userSimilarity, dataModel);

      } catch (TasteException e) {

        e.printStackTrace();

      }

      return null;

   }

  

}

4、定义推荐器:

/**

 * 推荐器工具类

 * @author line

 *

 */

public class RecommendUtil {

 

   public static Recommender getRecommend(DataModel dataModel,

        UserNeighborhood neighborhood,UserSimilarity userSimilarity){

      return new GenericUserBasedRecommender(dataModel, neighborhood, userSimilarity);

   }

  

}

5、计算MAE、precision、recall:

/**

 * 协同过滤算法评判标准类

 */

public class JudgeUtil {

  

   /**

    * 协同过滤算法评判标准方法

    */

   public static void getJudge(){

      System.out.println("计算平均绝对误差MAE、查准率、召回率开始");

      try {

        RandomUtils.useTestSeed();

           //这里使用的评估方法--平均差值

           RecommenderEvaluator evaluator = new AverageAbsoluteDifferenceRecommenderEvaluator();

           /*

                我们创建了一个推荐器生成器

                因为评估的时候我们需要将源数据中的一部分作为测试数据,其他作为算法的训练数据

                需要通过新训练的DataModel构建推荐器,所以采用生成器的方式生成推荐器

           */

           RecommenderBuilder builder = new RecommenderBuilder() {

               public Recommender buildRecommender(DataModel dataModel) throws TasteException {

               UserSimilarity userSimilarity = SimilarityUtil.getUserSimilarity(dataModel);

               LongPrimitiveIterator userids = DataModelUtil.getUserids();

               UserNeighborhood neighborhood = NearestNUserUtil.getNearestNUser(userSimilarity, dataModel);

               return RecommendUtil.getRecommend(dataModel, neighborhood, userSimilarity);

               }

           };

           /*

           RecommenderEvaluator负责将数据分为训练集和测试集,用训练集构建一个DataModelRecommender用来进行测试活动,得到结果之后在于真实数据进行比较。

           参数中0.7代表训练数据为70%,测试数据是30%。最后的1.0代表的是选取数据集的多少数据做整个评估。

           此处第二个null处,使用null就可以满足基本需求,但是如果我们有特殊需求,比如使用特殊的DataModel,在这里可以使用DataModelBuilder的一个实例。

           */

           double score = evaluator.evaluate(builder, null, DataModelUtil.getDataModel(),

               Constant.trainCount, Constant.testCount);

           /*

                最后得出的评估值越小,说明推荐结果越好

                最后的评价结果是0.943877551020408,表示的是平均与真实结果的差值是0.9.

           */

           System.out.println("平均绝对误差MAE"+score);

          

        /*

                计算推荐4个结果时的查准率和召回率,使用评估器,并设定评估期的参数

                4表示"precision and recall at 4"即相当于推荐top4,然后在top-4的推荐上计算准确率和召回率

                查准率为0.75 上面设置的参数为4,表示 Precision at 4(推荐4个结果时的查准率),平均有3/4的推荐结果是好的

            Recall at 4 推荐两个结果的查全率是1.0 表示所有的好的推荐都包含在这些推荐结果中

          */

           RandomUtils.useTestSeed();

           RecommenderIRStatsEvaluator statsEvaluator = new GenericRecommenderIRStatsEvaluator();

          IRStatistics stats = statsEvaluator.evaluate(builder, null, DataModelUtil.getDataModel(),

               null, Constant.cfCount, GenericRecommenderIRStatsEvaluator.CHOOSE_THRESHOLD, 1.0);

          System.out.println("查准率:"+stats.getPrecision());

          System.out.println("召回率:"+stats.getRecall());

          

      } catch (Exception e) {

        e.printStackTrace();

      }

      System.out.println("计算平均绝对误差MAE、查准率、召回率结束");

   }

  

}

三、运行结果

1、用户-电影评分矩阵:

2、用户相似度:

3、用户最近邻:

4、推荐结果:

5、MAE、precision、recall结果:

源代码附件:https://download.csdn.net/download/u011291472/13056062

这篇关于基于用户的协同过滤推荐算法单机版代码实现(包含输出用户-评分矩阵模型、用户间相似度、最近邻居、推荐结果、平均绝对误差MAE、查准率、召回率)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1028648

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

深入探索协同过滤:从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤(UserCF)2. 基于物品的协同过滤(ItemCF)3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代,推荐系统成为连接用户与内容的桥梁。本文聚焦于

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

【C++】_list常用方法解析及模拟实现

相信自己的力量,只要对自己始终保持信心,尽自己最大努力去完成任何事,就算事情最终结果是失败了,努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一:什么是list? •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二:list常用接口 •🌰1.默认成员函数 🔥构造函数(⭐) 🔥析构函数 •🌰2.list对象