java商城推薦算法(含源碼,小程式,vue,uniapp)

使用者協同推薦算法思想

如果你喜歡蘋果、香蕉、芒果等物品，另外有個人也喜歡這些物品，而且他還喜歡西瓜，則很有可能你也喜歡西瓜這個物品。

是以說，當一個使用者 A 需要個性化推薦時，可以先找到和他興趣相似的使用者群體 G，然後把 G 喜歡的、并且 A 沒有聽說過的物品推薦給 A，這就是基于使用者的系統過濾算法。

  根據上述基本原理，我們可以将基于使用者的協同過濾推薦算法拆分為兩個步驟：

1. 找到與目标使用者興趣相似的使用者集合

2. 找到這個集合中使用者喜歡的、并且目标使用者沒有聽說過的物品推薦給目标使用者

1. 發現興趣相似的使用者

      通常用 Jaccard 公式或者餘弦相似度計算兩個使用者之間的相似度。設 N(u) 為使用者 u 喜歡的物品集合，N(v) 為使用者 v 喜歡的物品集合，那麼 u 和 v 的相似度是多少呢：

      Jaccard 公式：

      餘弦相似度：

      假設目前共有4個使用者： A、B、C、D；共有5個物品：a、b、c、d、e。使用者與物品的關系（使用者喜歡物品）如下圖所示：

      如何一下子計算所有使用者之間的相似度呢？為計算友善，通常首先需要建立“物品—使用者”的倒排表，如下圖所示：

      然後對于每個物品，喜歡他的使用者，兩兩之間相同物品加1。例如喜歡物品 a 的使用者有 A 和 B，那麼在矩陣中他們兩兩加1。如下圖所示：

      計算使用者兩兩之間的相似度，上面的矩陣僅僅代表的是公式的分子部分。以餘弦相似度為例，對上圖進行進一步計算：

      到此，計算使用者相似度就大功告成，可以很直覺的找到與目标使用者興趣較相似的使用者。

2. 推薦物品

      首先需要從矩陣中找出與目标使用者 u 最相似的 K 個使用者，用集合 S(u, K) 表示，将 S 中使用者喜歡的物品全部提取出來，并去除 u 已經喜歡的物品。對于每個候選物品 i ，使用者 u 對它感興趣的程度用如下公式計算：

      其中 rvi 表示使用者 v 對 i 的喜歡程度，在本例中都是為 1，在一些需要使用者給予評分的推薦系統中，則要代入使用者評分。

      舉個例子，假設我們要給 A 推薦物品，選取 K = 3 個相似使用者，相似使用者則是：B、C、D，那麼他們喜歡過并且 A 沒有喜歡過的物品有：c、e，那麼分别計算 p(A, c) 和 p(A, e)：

       看樣子使用者 A 對 c 和 e 的喜歡程度可能是一樣的，在真實的推薦系統中，隻要按得分排序，取前幾個物品就可以了

springboot+html商城版本源碼

springboot+vue(elementui)商城版本源碼

springboot+uniapp城版本源碼

springboot+小程式版本源碼

springboot+安卓版本源碼

springcloud和上面任意版本組合