Java 书店应用推荐系统

嘿，我正在尝试学习一些在亚马逊网站上使用的推荐算法。所以我有一个简单的java（SpringHibernatePostgres）书店应用程序，在书中有属性title、category、tags和author。为了简单起见，书中没有任何内容。一本书必须通过书名、类别、作者和标签来识别。对于每个登录到应用程序的用户，我应该能够推荐一些书籍。每个用户都可以查看一本书，将其添加到购物车并随时购买。所以在数据库中，我存储了每个用户看一本书的次数，他的购物车中的书以及用户购买的书。目前没有评级选项，但也可以添加

那么，有人能告诉我，我可以使用哪些算法来为每个用户演示一些书籍推荐吗？我想让它非常简单。这不是一个销售项目，只是为了扩大我对推荐算法的了解。因此，假设总共只有大约30本书（5个类别，每个类别6本书）。如果有人能告诉我应该使用什么属性来计算两个用户之间的相似性，以及如何使用推荐的算法，那将非常有帮助

提前谢谢。

---

血清素追踪。

您可以在网站上找到所有信息和常见算法的实现（Taste框架）库

---

除了其他海报所建议的之外，我还可以推荐另一本书——《编程集体智慧》。它会让你尝到它的味道，还有更多。

作为一个具体的例子，一个选项是“最近K个邻居”算法

为了简化事情，假设你只有十本书，你只跟踪每个用户浏览每本书的次数。然后，对于每个用户，您可能有一个数组

int timeswiew[10]

，其中

timeswiew[i]

的值是用户查看图书编号

i

的次数

然后，您可以使用相关函数将该用户与所有其他用户进行比较，例如。计算当前用户

c

和另一个用户

o

之间的相关性给出了一个介于-1.0和1.0之间的值，其中-1.0表示“此用户

c

与另一个用户

o

完全相反”，1.0表示“此用户

c

与另一个用户

o

相同”

如果计算

c

与其他每个用户之间的关联，则会得到一个结果列表，显示用户的查看模式与其他每个用户的查看模式的相似程度。然后选择最相似的

K

（例如，5、10、20）结果（因此算法的名称），即相关性得分最接近1.0的

K

用户

现在，您可以对每个用户的

timeswiew

数组进行加权平均。例如，我们会说，

averageTimesViewed[0]

是这些K个用户的

timesViewed[0]

的平均值，通过他们的相关分数进行加权。然后对彼此执行相同的操作

averageTimesViewed[i]

现在您有了一个数组

averageTimesViewed

，粗略地说，它包含与

c

查看模式最相似的K个用户查看每本书的平均次数。推荐

averageTimesViewed

得分最高的书，因为这是其他用户最感兴趣的书

通常也值得将用户已经阅读过的书籍排除在推荐之外，但在计算相似性/相关性时，保留这些书籍仍然很重要

---

还请注意，这可以简单地扩展以考虑其他数据（如购物车列表等）。此外，如果您愿意，您可以选择所有用户（即

K

=用户数），但这并不总是产生有意义的结果，通常选择一个相当小的

K

就足以获得良好的结果，并且计算速度更快。

您在这里有很大的自由度。建立两个用户之间的相似性度量，然后建立一个单调函数，将相似用户对书籍的评分作为输入，并返回每本书的分数。标准解决方案是使用矩阵乘法。

谢谢。让我想想你说的话，看看如何实施。如果我被困在什么地方，我会给你回电话的。再次感谢。@5-羟色胺：没问题。如果有什么东西不能完全凝胶，或者你需要让你的算法启动并运行，请告诉我…：）非常感谢。我一定去看看。老子，谢谢你的回答。这个问题已经结束了。我得到了答案。我接着用相似性、推荐和协作过滤做了一些精彩的实验：）啊，我错了。你愿意和我们分享你的劳动成果吗，还有下一个谷歌搜索这个问题的人？