文章目录

• 参考文章
• 前言
• 1.建表并且生成一些数据
• • 首先，建立一个用户文章操作表（user_article_operation）
  • 使用case when语句简单统计数据
  • 2. 代码与测试
  • • • 只需要根据表生成相应实体类（注意要加一个value属性来存储分数）
      • 主要代码如下，其实就两个方法
      • userArticleOperationMapper.getAllUserPreference()方法收集数据mapper文件如下
      • 测试算法
      • 3.核心代码（基于用户分析）

        ---

        更新：相关代码放gitee了，sql与测试类在如下位置https://gitee.com/hwp_ing/mahout.git

        

        参考文章

        1.spring boot项目基于mahout推荐算法实现商品推荐

        2.相关内容在章节5-9

        前言

        这边只是跑了个文章推荐的demo，不过什么电影，商品啥的都一样，没啥区别就是把表当中的文章id改成商品id,操作类型自己修改一下

        mahout基础知识扫盲，大概看一下就行，简单的推荐算法直接套下面核心代码的模板，改改参数就行。

        推荐系统 Mahout入门之简单使用

        推荐系统之推荐算法实战：mahout推荐算法框架

        温馨提醒

        这个mahout包有毒。。。。很多依赖冲突。。。。

        这是我的pom文件，仅仅供参考。。

           
                
                    com.baomidou
                    mybatis-plus-boot-starter
                    3.5.3
                
                
                    com.baomidou
                    mybatis-plus-generator
                    3.5.3
                
                
                    org.freemarker
                    freemarker
                    2.3.30
                    test
                
                
                    com.alibaba
                    druid
                    1.1.21
                
                
            
                
                    org.apache.mahout
                    mahout-mr
                    0.12.2
                    
                        
                            javax.servlet
                            servlet-api
                        
                        
                            org.slf4j
                            slf4j-api
                        
                        
                            org.slf4j
                            slf4j-jcl
                        
                        
                            org.apache.lucene
                            lucene-core
                        
                        
                            org.apache.lucene
                            lucene-analyzers-common
                        
                        
                            log4j
                            log4j
                        
                        
                            org.slf4j
                            slf4j-log4j12
                        
                        
                            jersey-client
                            com.sun.jersey
                        
                        
                            jersey-core
                            com.sun.jersey
                        
                        
                            jersey-apache-client4
                            com.sun.jersey.contribs
                        
                    
                
        
        
                
                    org.springframework.boot
                    spring-boot-starter-web
                
                
                    mysql
                    mysql-connector-java
                    8.0.21
                
                
                    org.projectlombok
                    lombok
                    true
                
                
                    org.springframework.boot
                    spring-boot-starter-test
                    test
                
            
        

        1.建表并且生成一些数据

        首先，建立一个用户文章操作表（user_article_operation）

        

        然后生成一些数据，这里使用navicat生成了50条记录（因为只是测试一下算法的准确性因此只生成了3个用户，10篇文章）

        

        使用case when语句简单统计数据

        使用case when 简单统计一下数据，推测一下用户相关度

        不同操作对应不同分数0点赞（3分）1收藏（3分）2评论（5）分，分组求和

        

                SELECT
                    user_id,
                    article_id,
                    SUM(
                            CASE operation_type
                                WHEN 0 THEN 3
                                WHEN 1 THEN 3
                                WHEN 2 THEN 5
                                else 0 END
                        ) AS "value"
                FROM
                    user_article_operation
                GROUP BY user_id,article_id
        				ORDER BY user_id
        

        执行语句如下

        

        可以看出

        1号用户最喜欢6，9号文章，

        2号用户最喜欢4，5，6号文章

        3号用户最喜欢4，5，6号文章

        发现1，2，3号用户都喜欢6号文章，3个用户具有一定相似性。

        （别问为啥这么规律，问就是我为了好测试修改了下数据，如果你感觉哪里不对劲的话，那你说的都对）（反正应付一下老师够了，这里只是提供一个小demo，读者需注意哈🚗🚗🚗🚗）

        因此如果要给1号用户推荐文章的话，应该先推荐5号，再推荐4号文章。

        2. 代码与测试

        只需要根据表生成相应实体类（注意要加一个value属性来存储分数）

        

        主要代码如下，其实就两个方法

        

        userArticleOperationMapper.getAllUserPreference()方法收集数据mapper文件如下

        

        测试算法

        输入推荐5个，但是这里只推荐了四个，应该是样本数据量太小的原因，对比了一下之前运行case then语句时做的的简单预测，5号最推荐，然后是4号，控制台打印的结果还是比较符合的。

        （反正应付一下老师够了，这里只是提供一个小demo，读者需注意哈🚗🚗🚗🚗）

        

        

        

        3.核心代码（基于用户分析）

        读者自己建个表，然后简单写个对应实体类，然后添加下面的核心代码就行。如下面的UserArticleOperation就是我建立的实体类，基本改几个参数就行，套模板的。

        public List recommend( Integer userId) throws TasteException {
                List userList = userArticleOperationMapper.getAllUserPreference();
                //创建数据模型
                DataModel dataModel = this.createDataModel(userList);
                //获取用户相似程度
                UserSimilarity similarity = new UncenteredCosineSimilarity(dataModel);
                //获取用户邻居
                UserNeighborhood userNeighborhood = new NearestNUserNeighborhood(2, similarity, dataModel);
                //构建推荐器
                Recommender recommender = new GenericUserBasedRecommender(dataModel, userNeighborhood, similarity);
                //推荐2个
                List recommendedItems = recommender.recommend(userId, 5);
                List itemIds = recommendedItems.stream().map(RecommendedItem::getItemID).collect(Collectors.toList());
                return itemIds;
            }
            private DataModel createDataModel(List userArticleOperations) {
                FastByIDMap fastByIdMap = new FastByIDMap<>();
                Map> map = userArticleOperations.stream().collect(Collectors.groupingBy(UserArticleOperation::getUserId));
                Collection> list = map.values();
                for(List userPreferences : list){
                    GenericPreference[] array = new GenericPreference[userPreferences.size()];
                    for(int i = 0; i < userPreferences.size(); i++){
                        UserArticleOperation userPreference = userPreferences.get(i);
                        GenericPreference item = new GenericPreference(userPreference.getUserId(), userPreference.getArticleId(), userPreference.getValue());
                        array[i] = item;
                    }
                    fastByIdMap.put(array[0].getUserID(), new GenericUserPreferenceArray(Arrays.asList(array)));
                }
                return new GenericDataModel(fastByIdMap);
            }
        

            
                SELECT
                    user_id,
                    article_id,
                    SUM(
                            CASE operation_type
                                WHEN 0 THEN 2
                                WHEN 1 THEN 3
                                WHEN 2 THEN 5
                                else 0 END
                        ) AS "value"
                FROM
                    user_article_operation
                GROUP BY user_id,article_id
            
        

         
         企业网站的网络营销功能  淮北网站建设  广州市网站建设制作费用  公司做网站找哪个公司好  专业网站制作  手机网站设计制作