基于springboot的商城购物的用户协同推荐算法源码

技术选型：springboot vue（elementui）

真实场景：一个用户在网上买了一个手机，那么接下来又买了一个手机壳

另一个用户买了一个手机，那么他接下来想买什么呢

这里只是简单举拿2个用户举例

x用户浏览 a,b,c商品

y用户浏览 a,b商品

那么给y用户推荐c商品

具体代码实践

//用户总量 
        int[][] sparseMatrix = new int[memberList.size()][memberList.size()];
        //建立用户稀疏矩阵，用于用户相似度计算【相似度矩阵】 
        Map<String, Integer> userItemLength = new HashMap<>();
        //存储每一个用户对应的不同物品总数 eg: A 3 
        Map<String, Set<String>> itemUserCollection = new HashMap<>();
        //建立物品到用户的倒排表 eg: a A B 
        Set<String> items = new HashSet<>();
        //辅助存储物品集合 
        Map<String, Integer> userID = new HashMap<>();
        //辅助存储每一个用户的用户ID映射 
        Map<Integer, String> idUser = new HashMap<>();
        //辅助存储每一个ID对应的用户映射 
        System.out.println("Input user--items maping infermation:<eg:A a b d>");
        for (int i = 0; i < memberList.size() ; i++){
            //依次处理N个用户 数据 以空格间隔 
            List<HistoryEntity> historyList = historyDao.queryByUserId(memberList.get(i).getId());
            int length = historyList.size();
            userItemLength.put(String.valueOf(memberList.get(i).getId()), length);
            //eg: A 3 
            userID.put(String.valueOf(memberList.get(i).getId()), i);
            //用户ID与稀疏矩阵建立对应关系 
            idUser.put(i, String.valueOf(memberList.get(i).getId()));
            //建立物品--用户倒排表 
            for (int j = 0; j < length; j ++){
                if(items.contains(String.valueOf(historyList.get(j).getGoodsId()))){
                    //如果已经包含对应的物品--用户映射，直接添加对应的用户 
                    itemUserCollection.get(String.valueOf(historyList.get(j).getGoodsId())).add(String.valueOf(memberList.get(i).getId()));
                } else{
                    //否则创建对应物品--用户集合映射 
                    items.add(String.valueOf(historyList.get(j).getGoodsId()));
                    itemUserCollection.put(String.valueOf(historyList.get(j).getGoodsId()), new HashSet<String>());
                    //创建物品--用户倒排关系 
                    itemUserCollection.get(String.valueOf(historyList.get(j).getGoodsId())).add(String.valueOf(memberList.get(i).getId()));
                }
            }
        }
        System.out.println(itemUserCollection.toString());
        System.out.println("1---------------------");
        //计算相似度矩阵【稀疏】 
        Set<Entry<String, Set<String>>> entrySet = itemUserCollection.entrySet();
        Iterator<Entry<String, Set<String>>> iterator = entrySet.iterator();
        while(iterator.hasNext()){
            Set<String> commonUsers = iterator.next().getValue();
            for (String user_u : commonUsers) {
                for (String user_v : commonUsers) {
                    if(user_u.equals(user_v)){
                        continue;
                    }
                    sparseMatrix[userID.get(user_u)][userID.get(user_v)] += 1;
                    //计算用户u与用户v都有正反馈的物品总数
                }
            }
        }
        System.out.println(userItemLength.toString());
        System.out.println("Input the user for recommendation:<eg:A>");
        String recommendUser = String.valueOf(userId);
        System.out.println(userID.get(recommendUser));
        //计算用户之间的相似度【余弦相似性】 
        int recommendUserId = userID.get(recommendUser);
        for (int j = 0;j < sparseMatrix.length; j++) {
            if(j != recommendUserId){
                System.out.println(idUser.get(recommendUserId)+"--"+idUser.get(j)+"相似度:"+sparseMatrix[recommendUserId][j]/Math.sqrt(userItemLength.get(idUser.get(recommendUserId))*userItemLength.get(idUser.get(j))));
            }
        }