博主簡介：在計算機領域混戰了5年的java開發工程師，正在向全棧奮斗的路上。目前在學習和分享：Java，springboot，spring，vue，系統開發，服務器運維（可做畢業設計）等相關知識。博主主頁： 不會寫文檔的程序員近期目標：寫好專欄的每一篇文章

項目介紹

本期介紹一個基于協同過濾算法的商品推薦系統，主要包括以下功能

(資料圖片僅供參考)

后臺管理系統功能：
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：
用戶授權實現微信登陸
首頁展示商品輪播圖+商品列表
商品詳情頁，獲取商品詳細sku
一鍵加入購物車，直接購買
維護用戶的收獲地址
訂單列表；
全部訂單，待收貨，確認收貨，退貨

用戶微信授權登錄后，根據每個用戶收藏的商品數據，根據算法，找到有相似收藏愛好的用戶，已推薦相應額商品。為了更方便大家的理解，如下圖：

該系統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中查看商品推薦信息及對個人信息進行修改等功能。

系統截圖

不止這些，基于協同過濾開發了很多的系統：

現在對著算法的開發的思路還是比較成熟的，更多系統基于推薦算法功能的更新需求，或者系統開發，可以私信評論區留言哦

協同過濾算法簡介

協同過濾算法是一種基于用戶行為數據的推薦算法，其基本思想是通過分析用戶行為數據，找到不同用戶之間的相似性，從而預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。

協同過濾算法分為兩種：基于用戶的協同過濾和基于物品的協同過濾。

基于用戶的協同過濾

基于用戶的協同過濾算法是通過分析用戶的歷史行為數據，找到與目標用戶行為相似的其他用戶，從而推薦目標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，如皮爾遜相關系數、余弦相似度等。找到與目標用戶相似度最高的K個用戶。綜合K個用戶對某個物品的評分，預測目標用戶對該物品的評分或偏好。推薦目標用戶評分最高的N個物品。

協同過濾算法的優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，如數據稀疏性、冷啟動問題、可擴展性等。因此，在實際應用中需要根據具體情況進行優化和改進。

皮爾森(pearson)相關系數公式

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

如果有兩個變量：X、Y，最終計算出的相關系數的含義可以有如下理解：

(1)、當相關系數為0時，X和Y兩變量無關系。

(2)、當X的值增大（減?。琘值增大（減?。?，兩個變量為正相關，相關系數在0.00與1.00之間。

(3)、當X的值增大（減小），Y值減?。ㄔ龃螅?，兩個變量為負相關，相關系數在-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強度：
相關系數 0.8-1.0 極強相關
0.6-0.8 強相關
0.4-0.6 中等程度相關
0.2-0.4 弱相關
0.0-0.2 極弱相關或無相關

公式一：

公式二：

公式三：

公式四：

Java代碼實現

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;
}
}

運行結果：

協同過濾算法的問題分析

目前，協同過濾技術得到了廣泛應用。但是隨著網站商品信息量和用戶人數的不斷攀升，網站的結構也越來越復雜，如果你有需要基于協同算法開發的需求，評論區留言呦，我們一起討論。通過對協同過濾技術以及推薦系統的研究，我們發現協同過濾技術的實現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面臨的主要問題。比如在一些大型電子商務購買系統，用戶購買過的數量相對網站中商品數量可謂是冰山一角，這就導致了用戶評分矩陣的數據非常稀疏，進行相似性計算耗費會很大，也難以找到相鄰用戶數據集，從而使得推薦系統的推薦質量急劇下降。

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

5.3 可擴展性問題
面對日益增多的數據量，算法的擴展性問題成為制約推薦系統實施的重要因素。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，對于上百萬的數目，通常的算法會遇到嚴重的擴展性瓶頸問題。

總結

協同過濾作為一種經典的推薦算法種類，在工業界應用廣泛，它的優點很多，模型通用性強，不需要太多對應數據領域的專業知識，工程實現簡單，效果也不錯。這些都是它流行的原因。

當然，協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據的時候，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，比如根據用戶所在的場景和用戶當前的情緒。當然，也無法得到一些小眾的獨特喜好，這塊是基于內容的推薦比較擅長的，小伙伴們歡迎一起學習研究探討。