博主簡介：在計算機領(lǐng)域混戰(zhàn)了5年的java開發(fā)工程師，正在向全棧奮斗的路上。目前在學(xué)習(xí)和分享：Java，springboot，spring，vue，系統(tǒng)開發(fā)，服務(wù)器運維（可做畢業(yè)設(shè)計）等相關(guān)知識。博主主頁： 不會寫文檔的程序員近期目標(biāo)：寫好專欄的每一篇文章

項目介紹

本期介紹一個基于協(xié)同過濾算法的商品推薦系統(tǒng)，主要包括以下功能

(資料圖片僅供參考)

后臺管理系統(tǒng)功能：
后臺登錄
獲取微信小程序登錄的用戶信息
配置上架商品的屬性，分類，價格
獲取用戶在小程序端下的訂單列表
個人用戶配置，賬號修改；
微信小程序功能：
用戶授權(quán)實現(xiàn)微信登陸
首頁展示商品輪播圖+商品列表
商品詳情頁，獲取商品詳細(xì)sku
一鍵加入購物車，直接購買
維護(hù)用戶的收獲地址
訂單列表；
全部訂單，待收貨，確認(rèn)收貨，退貨

用戶微信授權(quán)登錄后，根據(jù)每個用戶收藏的商品數(shù)據(jù)，根據(jù)算法，找到有相似收藏愛好的用戶，已推薦相應(yīng)額商品。為了更方便大家的理解，如下圖：

該系統(tǒng)為每一個用戶都分配了一個用戶賬號，用戶通過賬號的登錄可以在系統(tǒng)中查看商品推薦信息及對個人信息進(jìn)行修改等功能。

系統(tǒng)截圖

不止這些，基于協(xié)同過濾開發(fā)了很多的系統(tǒng)：

現(xiàn)在對著算法的開發(fā)的思路還是比較成熟的，更多系統(tǒng)基于推薦算法功能的更新需求，或者系統(tǒng)開發(fā)，可以私信評論區(qū)留言哦

協(xié)同過濾算法簡介

協(xié)同過濾算法是一種基于用戶行為數(shù)據(jù)的推薦算法，其基本思想是通過分析用戶行為數(shù)據(jù)，找到不同用戶之間的相似性，從而預(yù)測用戶對未知物品的評分或偏好，從而給用戶提供個性化推薦。

協(xié)同過濾算法分為兩種：基于用戶的協(xié)同過濾和基于物品的協(xié)同過濾。

基于用戶的協(xié)同過濾

基于用戶的協(xié)同過濾算法是通過分析用戶的歷史行為數(shù)據(jù)，找到與目標(biāo)用戶行為相似的其他用戶，從而推薦目標(biāo)用戶可能感興趣的物品。

具體步驟如下：

計算用戶之間的相似度，如皮爾遜相關(guān)系數(shù)、余弦相似度等。找到與目標(biāo)用戶相似度最高的K個用戶。綜合K個用戶對某個物品的評分，預(yù)測目標(biāo)用戶對該物品的評分或偏好。推薦目標(biāo)用戶評分最高的N個物品。

協(xié)同過濾算法的優(yōu)點是可以處理任何類型的物品和用戶行為，同時還可以提供高度個性化的推薦。但是，它也存在一些問題，如數(shù)據(jù)稀疏性、冷啟動問題、可擴(kuò)展性等。因此，在實際應(yīng)用中需要根據(jù)具體情況進(jìn)行優(yōu)化和改進(jìn)。

皮爾森(pearson)相關(guān)系數(shù)公式

皮爾森相關(guān)系數(shù)是用來衡量變量之間的線性相關(guān)性。但是有一個明顯的缺陷就是，它只對線性關(guān)系敏感。如果關(guān)系是非線性的，哪怕兩個變量之間是一一對應(yīng)的關(guān)系，皮爾森相關(guān)系數(shù)也可能接近0.

如果有兩個變量：X、Y，最終計算出的相關(guān)系數(shù)的含義可以有如下理解：

(1)、當(dāng)相關(guān)系數(shù)為0時，X和Y兩變量無關(guān)系。

(2)、當(dāng)X的值增大（減小），Y值增大（減小），兩個變量為正相關(guān)，相關(guān)系數(shù)在0.00與1.00之間。

(3)、當(dāng)X的值增大（減小），Y值減小（增大），兩個變量為負(fù)相關(guān)，相關(guān)系數(shù)在-1.00與0.00之間。

通常情況下通過以下取值范圍判斷變量的相關(guān)強度：
相關(guān)系數(shù) 0.8-1.0 極強相關(guān)
0.6-0.8 強相關(guān)
0.4-0.6 中等程度相關(guān)
0.2-0.4 弱相關(guān)
0.0-0.2 極弱相關(guān)或無相關(guān)

公式一：

公式二：

公式三：

公式四：

Java代碼實現(xiàn)

package com.jun.entity;
/**
* @author 不會寫文檔的程序員
*/
public class Movie implements Comparable<Movie> {
public String movieName;
public int score;
public Movie(String movieName, int score) {
this.movieName = movieName;
this.score = score;
}
@Override
public String toString() {
return "Movie{" +
"movieName="" + movieName + "\"" +
", score=" + score +
"}";
}
@Override
public int compareTo(Movie o) {
return score > o.score ? -1 : 1;
}
}

package com.jun.entity;
import java.util.ArrayList;
import java.util.List;
/**
* @author 不會寫文檔的程序員
*/
public class User {
public String username;
public List<Movie> movieList = new ArrayList<>();
public User() {}
public User(String username) {
this.username = username;
}
public User set(String movieName, int score) {
this.movieList.add(new Movie(movieName, score));
return this;
}
public Movie find(String movieName) {
for (Movie movie : movieList) {
if (movie.movieName.equals(username)) {
return movie;
}
}
return null;
}
@Override
public String toString() {
return "User{" +
"username="" + username + "\"" +
"}";
}
}

Recommend邏輯計算類：

/**
* 計算2個打分序列間的pearson距離
* 選擇公式四進(jìn)行計算
* @param rating1
* @param rating2
* @return
*/
private double pearson_dis(List<Movie> rating1, List<Movie> rating2) {
int n=rating1.size();
List<Integer> rating1ScoreCollect = rating1.stream().map(A -> A.score).collect(Collectors.toList());
List<Integer> rating2ScoreCollect = rating2.stream().map(A -> A.score).collect(Collectors.toList());
double Ex= rating1ScoreCollect.stream().mapToDouble(x->x).sum();
double Ey= rating2ScoreCollect.stream().mapToDouble(y->y).sum();
double Ex2=rating1ScoreCollect.stream().mapToDouble(x->Math.pow(x,2)).sum();
double Ey2=rating2ScoreCollect.stream().mapToDouble(y->Math.pow(y,2)).sum();
double Exy= IntStream.range(0,n).mapToDouble(i->rating1ScoreCollect.get(i)*rating2ScoreCollect.get(i)).sum();
double numerator=Exy-Ex*Ey/n;
double denominator=Math.sqrt((Ex2-Math.pow(Ex,2)/n)*(Ey2-Math.pow(Ey,2)/n));
if (denominator==0) return 0.0;
return numerator/denominator;
}

public List<Movie> recommend(String username, List<User> users) {
//找到最近鄰
Map<Double, String> distances = computeNearestNeighbor(username, users);
String nearest = distances.values().iterator().next();
System.out.println("最近鄰 -> " + nearest);
//找到最近鄰看過，但是我們沒看過的電影，計算推薦
User neighborRatings = new User();
for (User user:users) {
if (nearest.equals(user.username)) {
neighborRatings = user;
}
}
System.out.println("最近鄰看過的電影 -> " + neighborRatings.movieList);
User userRatings = new User();
for (User user:users) {
if (username.equals(user.username)) {
userRatings = user;
}
}
System.out.println("用戶看過的電影 -> " + userRatings.movieList);
//根據(jù)自己和鄰居的電影計算推薦的電影
List<Movie> recommendationMovies = new ArrayList<>();
for (Movie movie : neighborRatings.movieList) {
if (userRatings.find(movie.movieName) == null) {
recommendationMovies.add(movie);
}
}
Collections.sort(recommendationMovies);
return recommendationMovies;
}
}

運行結(jié)果：

協(xié)同過濾算法的問題分析

目前，協(xié)同過濾技術(shù)得到了廣泛應(yīng)用。但是隨著網(wǎng)站商品信息量和用戶人數(shù)的不斷攀升，網(wǎng)站的結(jié)構(gòu)也越來越復(fù)雜，如果你有需要基于協(xié)同算法開發(fā)的需求，評論區(qū)留言呦，我們一起討論。通過對協(xié)同過濾技術(shù)以及推薦系統(tǒng)的研究，我們發(fā)現(xiàn)協(xié)同過濾技術(shù)的實現(xiàn)中存在的問題主要有以下幾點。

5.1 稀疏性問題
稀疏性問題是推薦系統(tǒng)面臨的主要問題。比如在一些大型電子商務(wù)購買系統(tǒng)，用戶購買過的數(shù)量相對網(wǎng)站中商品數(shù)量可謂是冰山一角，這就導(dǎo)致了用戶評分矩陣的數(shù)據(jù)非常稀疏，進(jìn)行相似性計算耗費會很大，也難以找到相鄰用戶數(shù)據(jù)集，從而使得推薦系統(tǒng)的推薦質(zhì)量急劇下降。

5.2 冷啟動問題
因為傳統(tǒng)的協(xié)同過濾推薦是基于用戶/物品的相似性計算來得到目標(biāo)用戶的推薦，在一個新的項目首次出現(xiàn)的時候，因為沒有用戶對它作過評價，因此單純的協(xié)同過濾無法對其進(jìn)行預(yù)測評分和推薦。而且，由于新項目出現(xiàn)早期，用戶評價較少，推薦的準(zhǔn)確性也比較差。

5.3 可擴(kuò)展性問題
面對日益增多的數(shù)據(jù)量，算法的擴(kuò)展性問題成為制約推薦系統(tǒng)實施的重要因素。識別“最近鄰居”算法的計算量隨著用戶和項的增加而大大增加，對于上百萬的數(shù)目，通常的算法會遇到嚴(yán)重的擴(kuò)展性瓶頸問題。

總結(jié)

協(xié)同過濾作為一種經(jīng)典的推薦算法種類，在工業(yè)界應(yīng)用廣泛，它的優(yōu)點很多，模型通用性強，不需要太多對應(yīng)數(shù)據(jù)領(lǐng)域的專業(yè)知識，工程實現(xiàn)簡單，效果也不錯。這些都是它流行的原因。

當(dāng)然，協(xié)同過濾也有些難以避免的難題，比如令人頭疼的“冷啟動”問題，我們沒有新用戶任何數(shù)據(jù)的時候，無法較好的為新用戶推薦物品。同時也沒有考慮情景的差異，比如根據(jù)用戶所在的場景和用戶當(dāng)前的情緒。當(dāng)然，也無法得到一些小眾的獨特喜好，這塊是基于內(nèi)容的推薦比較擅長的，小伙伴們歡迎一起學(xué)習(xí)研究探討。