个人技术总结-协同过滤
| 这个作业属于哪个课程 | 软工实践2022年春-F班社区 |
|---|---|
| 这个作业要求在哪里 | 软件工程实践总结&个人技术博客 |
| 这个作业的目标 | 个人技术博客 |
| 其他参考文献 | CSDN社区 |
目录
- 基于用户的协同过滤算法
- 技术概述
- 技术实现
- 皮尔森系数LIst的计算
- 通过皮尔森系数LIst确定最近邻LIst
- 通过最近邻LIst进行推荐
- 技术总结
基于用户的协同过滤算法
技术概述
本次软件工程实践,主要的工作是后端的开发工作。所运用的框架是springboot2,主要负责后端的推荐设计和推荐算法编写。
推荐算法用到的主要技术是基于用户的协同过滤算法。
协同过滤(简称CF)是推荐系统最重要的思想之一。在早期,协同过滤几乎等同于推荐系统。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:1、基于用户的协同过滤算法(user-based collaboratIve filtering)(相似的用户可能喜欢相同物品);2、基于物品的协同过滤算法(item-based collaborative filtering)(相似的物品可能被同个用户喜欢)。
技术实现
推荐算法的主要思想就是运用一定的数学公式构造各个关系之间的相似度并进行推荐。我主要使用的公式为皮尔森相关系数的推荐,即计算两个用户之间的对于文章点赞的相似度,进行相似度排序。通过选择前某几个相似度高的用户的相关非重复事物进行推荐。以下为皮尔森相关系数的计算公式:
皮尔森系数LIst的计算
这里的计算主要是将两个用户之间对于某个帖子的点赞数作为两者的相似度计算的XY值,然后通过计算每个用户的皮尔森系数来得到皮尔森系数的表,也就是皮尔森系数计算公式的实现。
public double pearson_dis(List<likelist> rating1, List<likelist> rating2) {
double sum_xy = 0.0D;
double sum_x = 0.0D;
double sum_y = 0.0D;
double sum_x2 = 0.0D;
double sum_y2 = 0.0D;
double n = 0.0D;
double avg_x = 0.0D;
double avg_y = 0.0D;
double sup_xy;
double sup_x22;
for(int i = 0; i < rating1.size(); ++i) {
likelist userName = (likelist)rating1.get(i);
for(int j = 0; j < rating2.size(); ++j) {
likelist recommendUser = (likelist)rating2.get(j);
if (userName.getPostid().equals(recommendUser.getPostid())) {
++n;
sup_xy = (double)(userName.getCount() * 10);
sup_x22 = (double)(recommendUser.getCount() * 10);
sum_xy += sup_xy * sup_x22;
sum_x += sup_xy;
sum_y += sup_x22;
sum_x2 += Math.pow(sup_xy, 2.0D);
sum_y2 += Math.pow(sup_x22, 2.0D);
}
}
}
avg_x = sum_x / n;
avg_y = sum_y / n;
System.out.println("N=" + n + " avg" + avg_x + "avg_x" + avg_y);
double sup_x2 = 0.0D;
double sup_y2 = 0.0D;
sup_xy = 0.0D;
sup_x22 = 0.0D;
double sup_y22 = 0.0D;
for(int i = 0; i < rating1.size(); ++i) {
likelist userName2 = (likelist)rating1.get(i);
for(int j = 0; j < rating2.size(); ++j) {
likelist recommendUser2 = (likelist)rating2.get(j);
if (userName2.getPostid().equals(recommendUser2.getPostid())) {
double x = (double)(userName2.getCount() * 10);
double y = (double)(recommendUser2.getCount() * 10);
sup_x2 += x - avg_x;
sup_y2 += y - avg_y;
sup_x22 += Math.pow(sup_x2, 2.0D);
sup_y22 += Math.pow(sup_y2, 2.0D);
sup_xy += sup_y2 * sup_x2;
}
}
}
double denominator2 = Math.sqrt(sup_x22 * sup_y22);
System.out.println("denominator2 " + sup_xy + " " + sup_xy + " sup_x2 " + sup_xy + " " + sup_xy + " supy2 " + sup_xy / denominator2);
double denominator = Math.sqrt(sum_x2 - Math.pow(sum_x, 2.0D) / n) * Math.sqrt(sum_y2 - Math.pow(sum_y, 2.0D) / n);
if (denominator2 == 0.0D) {
return 0.0D;
} else {
return sup_xy / denominator2;
}
}
通过皮尔森系数LIst确定最近邻LIst
public Map<String, Double> computeNearestNeighbor(likelist user, Map<String, List<likelist>> likelistMap) {
Map<String, Double> distances = new TreeMap();
Iterator var4 = likelistMap.entrySet().iterator();
while(var4.hasNext()) {
Entry<String, List<likelist>> entry = (Entry)var4.next();
String mapKey = (String)entry.getKey();
List<likelist> mapValue = (List)entry.getValue();
if (!mapKey.equals(user.getUserid().toString())) {
double distance = this.pearson_dis((List)likelistMap.get(user.getUserid().toString()), mapValue);
PrintStream var10000 = System.out;
String var10001 = (String)entry.getKey();
var10000.println("key" + var10001 + " distance" + distance);
distances.put(mapKey, distance);
}
}
System.out.println("distance" + distances);
return distances;
}
通过最近邻LIst进行推荐
public List<Integer> likeListRecommend(likelist user) {
List<Integer> recommendations = new LinkedList();
List<likelist> AllUser = this.likelistMapper.findByUser();
List<String> AllUserId = new ArrayList();
Iterator var5 = AllUser.iterator();
while(var5.hasNext()) {
likelist like = (likelist)var5.next();
AllUserId.add(like.getUserid().toString());
}
List<String> listNew = new ArrayList(new TreeSet(AllUserId));
Map<String, List<likelist>> likelistMap = new HashMap();
Iterator var7 = listNew.iterator();
while(var7.hasNext()) {
String userN = (String)var7.next();
likelistMap.put(userN, this.likelistMapper.findById(userN));
}
Map<String, Double> distances = this.computeNearestNeighbor(user, likelistMap);
double maxKey = 0.0D;
List<String> maxValue = new LinkedList();
Iterator var11 = distances.entrySet().iterator();
String neighber;
while(var11.hasNext()) {
Entry<String, Double> entry = (Entry)var11.next();
neighber = (String)entry.getKey();
Double mapValue = (Double)entry.getValue();
if (mapValue >= 0.8D && !neighber.equals(user.getUserid())) {
maxValue.add(neighber);
}
}
List<Integer> RecommendList = new ArrayList();
Iterator var23 = maxValue.iterator();
Iterator var16;
while(var23.hasNext()) {
neighber = (String)var23.next();
List<likelist> flag = (List)likelistMap.get(neighber);
List<Integer> likelistFlagList = new LinkedList();
var16 = flag.iterator();
while(var16.hasNext()) {
likelist likelist = (likelist)var16.next();
likelistFlagList.add(likelist.getPostid());
}
RecommendList.addAll(likelistFlagList);
}
List<Integer> newRecommendList = new ArrayList(new TreeSet(RecommendList));
List<likelist> userList = this.likelistMapper.findById(user.getUserid().toString());
System.out.println("maxvalue" + maxValue);
System.out.println("Recommendations" + RecommendList);
System.out.println("userlist" + userList);
System.out.println("newRecommendations" + newRecommendList);
Iterator var27 = userList.iterator();
while(var27.hasNext()) {
likelist likelist = (likelist)var27.next();
var16 = newRecommendList.iterator();
while(var16.hasNext()) {
Integer i = (Integer)var16.next();
if (likelist.getPostid() == i) {
recommendations.add(i);
}
}
}
newRecommendList.removeAll(recommendations);
if (recommendations.isEmpty()) {
}
System.out.println(newRecommendList);
return newRecommendList;
}
技术总结
基于用户的协同过滤适用于用户较少的场合,如果用户很多,计算用户相似度矩阵代价很大。,还需要更多的理解更多的算法,选择一个更加适合的算法来推荐用户喜欢的帖子。
相关推荐
适合高校科研人员发布成果、寻找承接企业的靠谱技术转移平台有哪些?.docx
科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。
省级技术转移服务机构平台在支撑区域科技大脑建设方面能提供哪些数据服务?.docx
科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。
YOLO26算法城市道路交通标志目标检测+训练好的模型+8089张数据集+pyqt可视化界面-sts
文末有数据集可视化效果,供参考。YOLO26算法城市道路交通标志目标检测+训练好的模型+8089张数据集+pyqt可视化界面本资源由 sts 账号整理发布,标注齐全,开箱可训。
大模型和数据要素赋能采购行业数字化转型建设和实施方案.pptx
大模型和数据要素赋能采购行业数字化转型建设和实施方案.pptx
无刷直流电机BLDC转速电流双闭环+无位置传感器控制仿真【仿真+详解说明报告+参考文献】
无刷直流电机BLDC转速电流双闭环+无位置传感器控制仿真【仿真+详解说明报告+参考文献】内容概要:本文围绕三电平VIENNA整流器的双闭环控制与中点电位平衡问题展开研究,提出了一种基于上下电容电压差值补偿的中点电位平衡策略。该策略在传统电压外环与电流内环构成的双闭环PI控制基础上,引入电容电压差值作为反馈信号,结合SVPWM调制技术,利用冗余小矢量的时间分配调节中点电流,从而实现对中点电位的主动控制。仿真结果表明,所提方法在800 V直流母线电压下能有效抑制中点电位漂移,使上下电容电压高度均衡,且系统具备良好的动态响应能力和较低的输入电流THD,验证了控制方案的有效性与可行性。; 适合人群:从事电力电子与电力传动、新能源变换器、电能质量控制等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握三电平VIENNA整流器的工作原理与中点电位波动成因;②学习双闭环PI控制的设计与参数整定方法;③理解基于SVPWM的中点电位平衡机制与实现路径;④为高效率、低谐波、高稳定性的AC-DC变换器设计提供理论依据与仿真参考。; 阅读建议:建议结合文中提供的MATLAB/Simulink仿真模型,深入理解控制框图与SVPWM模块的实现细节,重点关注差值补偿环与主控制环的耦合关系,并尝试在不同负载与动态工况下测试系统的鲁棒性,以加深对中点平衡边界与调节能力的认识。



