현대 소셜 네트워크 애플리케이션에서 추천 시스템은 필수적인 기능이 되었습니다. 사용자에게 친구 추천, 관심 주제 추천, 관련 상품 추천, 더 가치 있는 콘텐츠 추천 등 추천 시스템은 사용자 경험과 지속성을 효과적으로 향상시킬 수 있습니다.
이 기사에서는 Java를 사용하여 추천 시스템 기반 소셜 네트워크 애플리케이션을 작성하는 방법을 소개합니다. 독자들이 기본 추천 시스템을 빠르게 이해하고 구현할 수 있도록 실제 코드와 세부 단계를 결합해 보겠습니다.
1. 데이터 수집 및 처리
추천 시스템을 구현하기 전에 우리는 많은 양의 데이터를 수집하고 처리해야 합니다. 소셜 네트워크 애플리케이션에서 사용자 정보, 게시물, 댓글, 좋아요 및 기타 데이터는 모두 귀중한 데이터 소스입니다.
시연을 용이하게 하기 위해 오픈 소스 가상 데이터 생성기를 사용하여 이러한 데이터를 생성할 수 있습니다. 구체적인 단계는 다음과 같습니다.
2. 사용자와 아이템의 표현
추천 시스템에서는 사용자와 아이템의 유사성을 계산하거나 추천을 하기 위해 벡터나 행렬 형태로 변환해야 합니다. 소셜 네트워크 애플리케이션에서는 다음 방법을 사용하여 사용자와 항목을 나타낼 수 있습니다.
사용자 A = [1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 1, 0, 0, 0, 1, 0 , 0, 1]
여기서 벡터 길이는 24이고 각 위치는 주제나 게시물을 나타냅니다. 1은 사용자 A가 해당 주제를 팔로우했거나 게시물을 게시했음을 의미하고, 0은 그렇지 않음을 의미합니다.
Post A = [1 , 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 10, 0]
여기서 , 벡터 길이는 24이고 각 위치는 레이블 또는 통계 데이터를 나타냅니다. 1은 게시물에 태그나 콘텐츠가 포함되어 있음을 의미하고, 0은 포함되지 않음을 의미합니다.
3. 사용자 기반 협업 필터링 추천
사용자 기반 협업 필터링은 추천 시스템에서 흔히 사용되는 방식입니다. 여기서는 사용자 기반 협업 필터링을 사용하여 사용자에게 적합한 게시물을 추천합니다. 구체적인 단계는 다음과 같습니다.
다음은 이 알고리즘의 Java 코드 구현입니다.
public class CollaborativeFiltering {
/**
* 计算用户间的皮尔逊相关系数
* @param user1 用户1
* @param user2 用户2
* @param data 数据集
* @return 皮尔逊相关系数
*/
public double pearsonCorrelation(Map<Integer, Double> user1, Map<Integer, Double> user2,
Map<Integer, Map<Integer, Double>> data) {
double sum1 = 0, sum2 = 0, sum1Sq = 0, sum2Sq = 0, pSum = 0;
int n = 0;
for (int item : user1.keySet()) {
if (user2.containsKey(item)) {
sum1 += user1.get(item);
sum2 += user2.get(item);
sum1Sq += Math.pow(user1.get(item), 2);
sum2Sq += Math.pow(user2.get(item), 2);
pSum += user1.get(item) * user2.get(item);
n++;
}
}
if (n == 0)
return 0;
double num = pSum - (sum1 * sum2 / n);
double den = Math.sqrt((sum1Sq - Math.pow(sum1, 2) / n) *
(sum2Sq - Math.pow(sum2, 2) / n));
if (den == 0)
return 0;
return num / den;
}
/**
* 基于用户的协同过滤推荐算法
* @param data 数据集
* @param userId 目标用户 ID
* @param K 最相似的 K 个用户
* @param N 推荐的 N 个帖子
* @return 推荐的帖子 ID 列表
*/
public List<Integer> userBasedCollaborativeFiltering(Map<Integer, Map<Integer, Double>> data,
int userId, int K, int N) {
Map<Integer, Double> targetUser = data.get(userId); // 目标用户
List<Map.Entry<Integer, Double>> similarUsers = new ArrayList<>(); // 与目标用户兴趣相似的用户
for (Map.Entry<Integer, Map<Integer, Double>> entry: data.entrySet()) {
int id = entry.getKey();
if (id == userId)
continue;
double sim = pearsonCorrelation(targetUser, entry.getValue(), data); // 计算皮尔逊相关系数
if (sim > 0)
similarUsers.add(new AbstractMap.SimpleEntry<>(id, sim));
}
Collections.sort(similarUsers, (a, b) -> b.getValue().compareTo(a.getValue())); // 按相似度从高到低排序
List<Integer> itemIds = new ArrayList<>();
for (int i = 0; i < K && i < similarUsers.size(); i++) {
Map.Entry<Integer, Double> entry = similarUsers.get(i);
int userId2 = entry.getKey();
Map<Integer, Double> user2 = data.get(userId2);
for (int itemId: user2.keySet()) {
if (!targetUser.containsKey(itemId)) { // 如果目标用户没看过该帖子
itemIds.add(itemId);
}
}
}
Map<Integer, Double> scores = new HashMap<>();
for (int itemId: itemIds) {
double score = 0;
int count = 0;
for (Map.Entry<Integer, Double> entry: similarUsers) {
int userId2 = entry.getKey();
Map<Integer, Double> user2 = data.get(userId2);
if (user2.containsKey(itemId)) { // 如果用户 2 看过该帖子
score += entry.getValue() * user2.get(itemId);
count++;
if (count == N)
break;
}
}
scores.put(itemId, score);
}
List<Integer> pickedItemIds = new ArrayList<>();
scores.entrySet().stream().sorted((a, b) -> b.getValue().compareTo(a.getValue()))
.limit(N).forEach(entry -> pickedItemIds.add(entry.getKey())); // 按得分从高到低排序并选出前N个
return pickedItemIds;
}
}4. 콘텐츠 기반 추천 알고리즘
콘텐츠 기반 추천 알고리즘은 추천 시스템의 또 다른 일반적인 방법입니다. 이는 항목 속성의 유사성을 기반으로 항목을 추천합니다. . 여기서는 콘텐츠 기반 추천 알고리즘을 사용하여 사용자에게 적합한 게시물을 추천합니다. 구체적인 단계는 다음과 같습니다.
다음은 콘텐츠 기반 추천 알고리즘의 Java 코드 구현입니다.
public class ContentBasedRecommendation {
/**
* 计算两个向量的余弦相似度
* @param v1 向量1
* @param v2 向量2
* @return 余弦相似度
*/
public double cosineSimilarity(double[] v1, double[] v2) {
double dotProduct = 0;
double norma = 0;
double normb = 0;
for (int i = 0; i < v1.length; i++) {
dotProduct += v1[i] * v2[i];
norma += Math.pow(v1[i], 2);
normb += Math.pow(v2[i], 2);
}
if (norma == 0 || normb == 0)
return 0;
return dotProduct / (Math.sqrt(norma) * Math.sqrt(normb));
}
/**
* 基于内容的推荐算法
* @param data 数据集
* @param userId 目标用户 ID
* @param N 推荐的 N 个帖子
* @return 推荐的帖子 ID 列表
*/
public List<Integer> contentBasedRecommendation(Map<Integer, Map<Integer, Double>> data,
int userId, int N) {
Map<Integer, Double> targetUser = data.get(userId); // 目标用户
int[] pickedItems = new int[data.size()];
double[][] itemFeatures = new double[pickedItems.length][24]; // 物品特征矩阵
for (Map.Entry<Integer, Map<Integer, Double>> entry: data.entrySet()) {
int itemId = entry.getKey();
Map<Integer, Double> item = entry.getValue();
double[] feature = new double[24];
for (int i = 0; i < feature.length; i++) {
if (item.containsKey(i+1)) {
feature[i] = item.get(i+1);
} else {
feature[i] = 0;
}
}
itemFeatures[itemId-1] = feature; // 物品 ID 从 1 开始，需要减一
}
for (int itemId: targetUser.keySet()) {
pickedItems[itemId-1] = 1; // 物品 ID 从 1 开始，需要减一
}
double[] similarities = new double[pickedItems.length];
for (int i = 0; i < similarities.length; i++) {
if (pickedItems[i] == 0) {
similarities[i] = cosineSimilarity(targetUser.values().stream().mapToDouble(Double::doubleValue).toArray(), itemFeatures[i]);
}
}
List<Integer> itemIds = new ArrayList<>();
while (itemIds.size() < N) {
int maxIndex = -1;
for (int i = 0; i < similarities.length; i++) {
if (pickedItems[i] == 0 && (maxIndex == -1 || similarities[i] > similarities[maxIndex])) {
maxIndex = i;
}
}
if (maxIndex == -1 || similarities[maxIndex] < 0) {
break; // 找不到更多相似的物品了
}
itemIds.add(maxIndex + 1); // 物品 ID 从 1 开始，需要加一
pickedItems[maxIndex] = 1;
}
Map<Integer, Double> scores = new HashMap<>();
for (int itemId: itemIds) {
double[] features = itemFeatures[itemId-1]; // 物品 ID 从 1 开始，需要减一
double score = cosineSimilarity(targetUser.values().stream().mapToDouble(Double::doubleValue).toArray(), features);
scores.put(itemId, score);
}
List<Integer> pickedItemIds = new ArrayList<>();
scores.entrySet().stream().sorted((a, b) -> b.getValue().compareTo(a.getValue()))
.limit(N).forEach(entry -> pickedItemIds.add(entry.getKey())); // 按得分从高到低排序并选出前N个
return pickedItemIds;
}
}5. 추천 알고리즘을 애플리케이션에 통합합니다.
위의 두 가지 추천 알고리즘 구현을 완료한 후 이를 애플리케이션에 통합할 수 있습니다. . 구체적인 단계는 다음과 같습니다.
다음은 애플리케이션의 Java 코드 구현입니다.
@RestController
@RequestMapping("/recommendation")
public class RecommendationController {
private CollaborativeFiltering collaborativeFiltering = new CollaborativeFiltering();
private ContentBasedRecommendation contentBasedRecommendation = new ContentBasedRecommendation();
@Autowired
private UserService userService;
@GetMapping("/userbased/{userId}")
public List<Integer> userBasedRecommendation(@PathVariable Integer userId) {
List<User> allUsers = userService.getAllUsers();
Map<Integer, Map<Integer, Double>> data = new HashMap<>();
for (User user: allUsers) {
Map<Integer, Double> userVector = new HashMap<>();
List<Topic> followedTopics = user.getFollowedTopics();
for (Topic topic: followedTopics) {
userVector.put(topic.getId(), 1.0);
}
List<Post> posts = user.getPosts();
for (Post post: posts) {
userVector.put(post.getId() + 1000, 1.0);
}
List<Comment> comments = user.getComments();
for (Comment comment: comments) {
userVector.put(comment.getId() + 2000, 1.0);
}
List<Like> likes = user.getLikes();
for (Like like: likes) {
userVector.put(like.getId() + 3000, 1.0);
}
data.put(user.getId(), userVector);
}
List<Integer> itemIds = collaborativeFiltering.userBasedCollaborativeFiltering(data, userId, 5, 10);
return itemIds;
}
@GetMapping("/contentbased/{userId}")
public List<Integer> contentBasedRecommendation(@PathVariable Integer userId) {
List<User> allUsers = userService.getAllUsers();
Map<Integer, Map<Integer, Double>> data = new HashMap<>();
for (User user: allUsers) {
Map<Integer, Double> userVector = new HashMap<>();
List<Topic> followedTopics = user.getFollowedTopics();
for (Topic topic: followedTopics) {
userVector.put(topic.getId(), 1.0);
}
List<Post> posts = user.getPosts();
for (Post post: posts) {
userVector.put(post.getId() + 1000, 1.0);
}
List<Comment> comments = user.getComments();
for (Comment comment: comments) {
userVector.put(comment.getId() + 2000, 1.0);
}
List<Like> likes = user.getLikes();
for (Like like: likes) {
userVector.put(like.getId() + 3000, 1.0);
}위 내용은 Java를 사용하여 추천 시스템 기반 소셜 네트워크 애플리케이션을 작성하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
