springboot集成mahout实现简单基于协同过滤算法的文章推荐算法

文章目录

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。。

<dependencies><dependency><groupId>com.baomidou</groupId><artifactId>mybatis-plus-boot-starter</artifactId><version>3.5.3</version></dependency><dependency><groupId>com.baomidou</groupId><artifactId>mybatis-plus-generator</artifactId><version>3.5.3</version></dependency><dependency><groupId>org.freemarker</groupId><artifactId>freemarker</artifactId><version>2.3.30</version><scope>test</scope></dependency><dependency><groupId>com.alibaba</groupId><artifactId>druid</artifactId><version>1.1.21</version></dependency><!--引入推荐引擎mahout，注意要先全部引入，再使用exclusion标签--><dependency><groupId>org.apache.mahout</groupId><artifactId>mahout-mr</artifactId><version>0.12.2</version><exclusions><exclusion><groupId>javax.servlet</groupId><artifactId>servlet-api</artifactId></exclusion><exclusion><groupId>org.slf4j</groupId><artifactId>slf4j-api</artifactId></exclusion><exclusion><groupId>org.slf4j</groupId><artifactId>slf4j-jcl</artifactId></exclusion><exclusion><groupId>org.apache.lucene</groupId><artifactId>lucene-core</artifactId></exclusion><exclusion><groupId>org.apache.lucene</groupId><artifactId>lucene-analyzers-common</artifactId></exclusion><exclusion><groupId>log4j</groupId><artifactId>log4j</artifactId></exclusion><exclusion><groupId>org.slf4j</groupId><artifactId>slf4j-log4j12</artifactId></exclusion><exclusion><artifactId>jersey-client</artifactId><groupId>com.sun.jersey</groupId></exclusion><exclusion><artifactId>jersey-core</artifactId><groupId>com.sun.jersey</groupId></exclusion><exclusion><artifactId>jersey-apache-client4</artifactId><groupId>com.sun.jersey.contribs</groupId></exclusion></exclusions></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId><version>8.0.21</version></dependency><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><optional>true</optional></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-test</artifactId><scope>test</scope></dependency></dependencies>

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 5else0 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<Long> recommend( Integer userId) throws TasteException {
        List<UserArticleOperation> 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<RecommendedItem> recommendedItems = recommender.recommend(userId, 5);
        List<Long> itemIds = recommendedItems.stream().map(RecommendedItem::getItemID).collect(Collectors.toList());return itemIds;}
    private DataModel createDataModel(List<UserArticleOperation> userArticleOperations){
        FastByIDMap<PreferenceArray> fastByIdMap = new FastByIDMap<>();
        Map<Integer, List<UserArticleOperation>> map = userArticleOperations.stream().collect(Collectors.groupingBy(UserArticleOperation::getUserId));
        Collection<List<UserArticleOperation>> list = map.values();
        for(List<UserArticleOperation> 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 id="getAllUserPreference"resultType="UserArticleOperation">
        SELECT
            user_id,
            article_id,
            SUM(
                    CASE operation_type
                        WHEN 0 THEN 2
                        WHEN 1 THEN 3
                        WHEN 2 THEN 5else0 END
                ) AS "value"
        FROM
            user_article_operation
        GROUP BY user_id,article_id
    </select>

5.相关参考

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