現代のソーシャル ネットワーク アプリケーションでは、レコメンデーション システムが不可欠な機能になっています。ユーザーに友達を勧めたり、興味のあるトピックを勧めたり、関連製品を勧めたり、より価値のあるコンテンツを勧めたりする場合でも、レコメンデーション システムはユーザー エクスペリエンスと継続性を効果的に向上させることができます。
この記事では、Java を使用してレコメンデーション システムに基づいたソーシャル ネットワーク アプリケーションを作成する方法を紹介します。実際のコードと詳細な手順を組み合わせて、読者が基本的なレコメンデーション システムをすぐに理解して実装できるようにします。
1. データの収集と処理
レコメンデーション システムを実装する前に、大量のデータを収集して処理する必要があります。ソーシャル ネットワーク アプリケーションでは、ユーザー情報、投稿、コメント、いいね! などのデータはすべて貴重なデータ ソースです。
デモンストレーションを容易にするために、オープンソースの仮想データ ジェネレーターを使用してこれらのデータを生成できます。具体的な手順は次のとおりです。
2. ユーザーとアイテムの表現
レコメンデーション システムでは、ユーザーとアイテムの類似性を計算したり、レコメンデーションを作成したりするために、ユーザーとアイテムをベクトルまたは行列形式に変換する必要があります。ソーシャル ネットワーク アプリケーションでは、次のメソッドを使用してユーザーとアイテムを表すことができます:
ユーザー 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]
ベクトルの長さは 24 で、各位置はトピックまたは投稿を表します。 1 はユーザー A がトピックをフォローしたか、投稿を公開したことを意味し、0 はフォローしていないことを意味します。
ユーザー間の類似性を計算します。ここでは、類似性メトリックとしてピアソン相関係数を使用します。
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; } }
対象ユーザーについては、フォローしているトピックや公開する投稿などを選択します。
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; } }
データをロードし、データベースに保存します。 Hibernate などの ORM フレームワークを使用すると、データベースへのアクセス操作を簡素化できます。
@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); }
以上がJava を使用してレコメンデーション システム ベースのソーシャル ネットワーク アプリケーションを作成する方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。