协同过滤推荐系统 Java

协同过滤推荐系统 Java，简单的协同过滤推荐系统，方便初学者学习入门。

package pku;

import java.io.BufferedReader;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileReader;
import java.io.IOException;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;

public class Recommendation {
	
	public static final int KNEIGHBOUR = 3;
	public static final int COLUMNCOUNT = 8;	//number of items
	public static final int PREFROWCOUNT = 20;		
	public static final int TESTROWCOUNT = 5;
	
	private String[] bookName = {“数据挖掘：概念与技术““金融工程““投资银行学““算法导论““machine learning““经济学原理““金融的逻辑““Thinking in Java“};
	
	public void generateRecommendations（） {
		int[][] preference = readFile（PREFROWCOUNT “preference.data“）;
		int[][] test = readFile（TESTROWCOUNT “test.data“）;
		double[][] similarityMatrix = produceSimilarityMatrix（preference）;
//		for （int i = 0; i < similarityMatrix.length; i++） {
//			for （int j = 0; j < similarityMatrix[0].length; j++） {
//				System.out.print（similarityMatrix[i][j]+“ “）;
//			}
//			System.out.println（）;
//		}
		List neighborSerial = new ArrayList（）;
		for （int i = 0; i < TESTROWCOUNT; i++） {
			neighborSerial.clear（）;
			double max = 0;
			int itemSerial = 0;
			for （int j = 0; j < COLUMNCOUNT; j++） {
				if（test[i][j] == 0） {
					double similaritySum = 0;
					double sum = 0;
					double score = 0;
					neighborSerial = findKNeighbors（test[i] j similarityMatrix）;
					for （int m = 0; m < neighborSerial.size（）; m++） {
						sum += similarityMatrix[j][neighborSerial.get（m）] * test[i][neighborSerial.get（m）];
						similaritySum += similarityMatrix[j][neighborSerial.get（m）];
					}
					score = sum / similaritySum;
					if（score > max） {
						max = score;
						itemSerial = j;
					}
				}
			}
			System.out.println（“The book recommended for user “+i+“ is: “+bookName[itemSerial]+“ score: “+max）;
		}
	}
	
	/**
	 * This method is used to find the nearest K neighbors to the un_scored item 
	 * @param score
	 * @param i
	 * @param similarityMatrix
	 * @return
	 */
	private List findKNeighbors（int[] scoreint idouble[][] similarityMatrix） {	//该方法有三个参数，score表示某一用户对所有项目的评分；i表示某个项目的序号
		List neighborSerial = new ArrayList（）;
		double[] similarity = new double[similarityMatrix.length];
		for （int j = 0; j < similarityMatrix.length; j++） {
			if（score[j] != 0） {
				similarity[j] = similarityMatrix[j][i];
			} 
			else {
				similarity[j] = 0;
			}
		}
		double[] temp = new double[similarity.length];
		for （int j = 0; j < temp.length; j++） {
			temp[j] = similarity[j];
		}
		Arrays.sort（temp）;
		for（int j = 0; j < similarity.length; j++） {
			for （int m = temp.length - 1; m >= temp.length - KNEIGHBOUR; m--） {
				if （similarity[j] == temp[m] && similarity[j] != 0.0）
					neighborSerial.add（new Integer（j））;
			}	
		}
		return neighborSerial;
	}
	
	/**
	 * This method is used to produce similarity matrix among items
	 * @param 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件        232  2010-04-12 15:04  Collaborative Filtering\.classpath

     文件        399  2010-04-12 15:04  Collaborative Filtering\.project

     文件       5854  2010-04-20 11:31  Collaborative Filtering\bin\pku\Recommendation.class

     文件        340  2010-04-12 16:19  Collaborative Filtering\preference.data

     文件       6073  2010-04-20 11:31  Collaborative Filtering\src\pku\Recommendation.java

     文件         83  2010-04-12 16:23  Collaborative Filtering\test.data

     目录          0  2010-04-15 12:32  Collaborative Filtering\bin\pku

     目录          0  2010-04-15 12:32  Collaborative Filtering\src\pku

     目录          0  2010-04-15 12:32  Collaborative Filtering\bin

     目录          0  2010-04-15 12:32  Collaborative Filtering\src

     目录          0  2011-10-16 22:57  Collaborative Filtering

----------- ---------  ---------- -----  ----

                12981                    11