基于用户的协同过滤算法JAVA实现的推荐系统_基于用户的协同过滤连接数据库java

JAVA推荐系统

文章末附带项目源码地址

系统原理

该系统使用java编写的基于用户的协同过滤算法（UserCF） 利用统计学的相关系数经常皮尔森（pearson）相关系数计算相关系数来实现千人千面的推荐系统。

协同过滤推荐算法是诞生最早，并且较为著名的推荐算法。主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。协同过滤推荐算法分为两类，分别是基于用户的协同过滤算法(user-based collaboratIve filtering)，和基于物品的协同过滤算法(item-based collaborative filtering)。简单的说就是：人以类聚，物以群分。

皮尔森(pearson)相关系数公式

皮尔逊相关系数（Pearson correlation coefficient）是一种衡量两个连续变量之间线性相关程度的统计指标。它的取值范围在-1到1之间，可以用来描述两个变量之间的相关性强弱以及方向。

r = (Σ((X - X̄) * (Y - Ȳ))) / (√(Σ(X - X̄)²) * √(Σ(Y - Ȳ)²))

公式定义为： 两个连续变量(X,Y)的pearson相关性系数(Px,y)等于它们之间的协方差cov(X,Y)除以它们各自标准差的乘积(σX,σY)。系数的取值总是在-1.0到1.0之间，接近0的变量被成为无相关性，接近1或者-1被称为具有强相关性。 通常情况下通过以下取值范围判断变量的相关强度： 相关系数 0.8-1.0 极强相关 0.6-0.8 强相关 0.4-0.6 中等程度相关 0.2-0.4 弱相关 0.0-0.2 极弱相