扬州城乡建设局网站,DW做网站的步骤,网站标题logo怎么做,网站 建设 外包加权推荐算法 文章目录 加权推荐算法1.推荐算法的简单介绍2.加权推荐算法详细介绍3.代码实现4.总结 1.推荐算法的简单介绍
众所周知#xff0c;推荐算法有很多种#xff0c;例如#xff1a;
1.加权推荐#xff1a;分为简单的特征加权#xff0c;以及复杂的混合加权。主要…加权推荐算法 文章目录 加权推荐算法1.推荐算法的简单介绍2.加权推荐算法详细介绍3.代码实现4.总结 1.推荐算法的简单介绍
众所周知推荐算法有很多种例如
1.加权推荐分为简单的特征加权以及复杂的混合加权。主要是将特征以权重进行计算总和排序出前几名的数据即最符合条件的数据推荐给用户。
2.内容基推荐这种方法基于物品的特征。系统会分析用户过去喜欢的物品特征然后找到具有类似特征的其他物品推荐给用户。这种方法依赖于对物品内容的深入理解比如文本、图像或音频特征。
比如我想买【华为手机】但是系统中关于华为手机的商品很少在用户继续浏览的过程中就会根据华为手机属于【手机】类的这个特征推荐其他【手机】类型的商品。
3.协同过滤推荐分为物品基协同过滤和用户基协同过滤。 简单描述一下【用户基协同过滤】。 如果一个用户A喜欢某个物品那么这个系统会找到与用户A相似的其他用户B然后将B喜欢的、A还未接触的物品推荐给A。
2.加权推荐算法详细介绍
本次探讨的就是简单的特征加权以留学申请为例简单描述一下 比如留学申请的过程中中有几个重要特征参数所在国家、全球QS排名、专业。 那么当我想选择{英国,前10,计算机}这样的数据时一般会怎么查呢是不是精确查询了在数据库中找到英国QS前10计算机这样的数据返回给用户。
但是在面对数据较少的时候显示给用户的数据就太少了比如我上面展示的只有2条数据符合要求。 那如果我想每次用户搜索完成后最少都要展示10条数据呢 这样就需要在精确搜索进行改进了改为【特征加权推荐】以国家、专业、QS排名三个为特征设置权重对数据库中的数据进行计算获取前10个得分最高的数据展示。
这样就可以推荐出用户也“可能”喜欢的院校了比如就推荐出了美国高校的计算机专业。
3.代码实现
实现代码示例如下 加权推荐的算法部分 首先我们需要准备留学专业的java实体类。
package com.ride.system.domain;import org.apache.commons.lang3.builder.ToStringBuilder;
import org.apache.commons.lang3.builder.ToStringStyle;
import com.ride.system.common.core.domain.BaseEntity;/*** 留学专业信息对象 sys_study_abroad**/
public class SysStudyAbroad extends BaseEntity
{private static final long serialVersionUID 1L;/** 主键 */private Long studyAbroadId;/** 国家 */private String country;/** 专业 */private String major;/** QS排名 */private String qs;// 推荐加权得分private Double score;public Double getScore() {return score;}public void setScore(Double score) {this.score score;}public String getQs() {return qs;}public void setQs(String qs) {this.qs qs;}public String getCountry() {return country;}public void setCountry(String country) {this.country country;}public SysMajor getMajor() {return major;}public void setMajor(SysMajor major) {this.major major;}
}
接下来编写推荐算法的函数
/*** 加权平均推荐算法* param userInput 用户输入* param majors 留学专业列表即数据库中全部专业数据* param weights 权重规则* return*/
public static ListSysStudyAbroad weightedRecommendation(SysStudyAbroad userInput, ListSysStudyAbroad majors, MapString, Double weights) {ListSysStudyAbroad recommendations new ArrayList();for (SysStudyAbroad major : majors) {double score 0;// 计算每个权重的得分// 如果满足一个要求则得1分否则0分。double countrySimilarity userInput.getCountry().equals(major.getCountry()) ? 1 : 0;double majorSimilarity userInput.getMajor().equals(major.getMajor()) ? 1 : 0;double qsRankSimilarity Math.abs(Integer.parseInt(userInput.getQs()) - Integer.parseInt(major.getQs())) 0 ? 1: 0;// 加权得分综合score weights.get(country) * countrySimilarity;score weights.get(major) * majorSimilarity;score weights.get(qsRank) * qsRankSimilarity;major.setScore(score);recommendations.add(major);}// 根据加权的得分进行推荐排序recommendations.sort((c1, c2) - Double.compare(c2.getScore(), c1.getScore()));return recommendations;
}在需要调用的地方进行调用
/*** 推荐留学专业信息列表** param sysStudyAbroad 留学专业信息* return 留学专业信息*/
Override
public ListSysStudyAbroad recommend(SysStudyAbroad sysStudyAbroad)
{// 查询数据库专业数据ListSysStudyAbroad majors sysStudyAbroadMapper.selectSysStudyAbroadListAll();//设置权重值国家为0.3专业为0.5qs排名为0.2MapString, Double weights new HashMap();weights.put(country, 0.3);weights.put(major, 0.5);weights.put(qsRank, 0.2);ListSysStudyAbroad recommendations weightedRecommendation(sysStudyAbroad, majors, weights);recommendations recommendations.subList(0, Math.min(20, recommendations.size()));for (SysStudyAbroad major : recommendations) {System.out.println(国家: major.getCountry() , 专业: major.getMajorId() , QS排名: major.getQs() ,权重: major.getScore());}return recommendations;
}用户输入如下 推荐结果如下 4.总结
特征加权推荐算法适用于在用户条件的基础上推荐额外的内容适用于有2个特征以上的数据结构。
如有问题欢迎评论区批评指正❤️
