答案：基于用户行为的协同过滤通过计算用户间余弦相似度，找出相似用户并推荐其高分未读图书。例如，系统为Alice推荐Bob和Charlie评分较高的《深入理解计算机系统》，因二者与Alice阅读偏好相似且该书未被Alice评过分。
实现一个简单的图书推荐功能，可以通过基于用户行为的协同过滤思路来完成。核心思想是：如果两个用户的阅读偏好相似，那么一个用户喜欢但另一个用户还没看过的书，可以推荐给后者。下面是一个使用Java实现的基础版本。
1. 定义数据模型
先创建几个基础类来表示用户、图书以及评分记录。
Book类： 表示一本书的基本信息。
public class Book {private String id;
private String title;
public Book(String id, String title) {
this.id = id;
this.title = title;
}
// getter方法
public String getId() { return id; }
public String getTitle() { return title; }
}
User类： 表示用户及其对图书的评分。
import java.util.HashMap;import java.util.Map;
public class User {
private String id;
private Map
public User(String id) {
this.id = id;
}
public void addRating(Book book, double rating) {
if (rating >= 1 && rating ratings.put(book, rating);
}
}
public Map
public String getId() { return id; }
}
2. 计算用户相似度
使用余弦相似度来衡量两个用户之间的阅读偏好相似性。只考虑他们都评过分的图书。
import java.util.*;public class Recommender {
public static double cosineSimilarity(User u1, User u2) {
Map
Map
Set
commonBooks.retainAll(r2.keySet());
if (commonBooks.isEmpty()) return 0.0;
double sum1 = 0, sum2 = 0, sum12 = 0;
for (Book b : commonBooks) {
double r1v = r1.get(b);
double r2v = r2.get(b);
sum1 += r1v r1v;
sum2 += r2v r2v;
sum12 += r1v r2v;
}
if (sum1 == 0 || sum2 == 0) return 0.0;
return sum12 / (Math.sqrt(sum1) Math.sqrt(sum2));
}
}
3. 生成图书推荐
为指定用户查找最相似的用户，然后推荐那个相似用户喜欢但当前用户没看过的书。
立即学习“Java免费学习笔记（深入）”；
一套面向小企业用户的企业网站程序！功能简单，操作简单。实现了小企业网站的很多实用的功能，如文章新闻模块、图片展示、产品列表以及小型的下载功能，还同时增加了邮件订阅等相应模块。公告，友情链接等这些通用功能本程序也同样都集成了！同时本程序引入了模块功能，只要在系统默认模板上创建模块，可以在任何一个语言环境（或任意风格）的适当位置进行使用！
List
for (User user : allUsers) {
if (!user.getId().equals(targetUser.getId())) {
double sim = cosineSimilarity(targetUser, user);
if (sim > 0) {
similarities.add(new AbstractMap.SimpleEntry(user, sim));
}
}
}
// 按相似度排序，取前topK个最相似用户
similarities.sort((a, b) -> Double.compare(b.getValue(), a.getValue()));
similarities = similarities.subList(0, Math.min(topK, similarities.size()));
Set
Map
for (var entry : similarities) {
User similarUser = entry.getKey();
double sim = entry.getValue();
for (var ratingEntry : similarUser.getRatings().entrySet()) {
Book book = ratingEntry.getKey();
double rating = ratingEntry.getValue();
if (!alreadyRated.contains(book)) {
candidateScores.merge(book, sim * rating, Double::sum);
}
}
}
// 按推荐得分排序
return candidateScores.entrySet().stream()
.sorted((a, b) -> Double.compare(b.getValue(), a.getValue()))
.map(Map.Entry::getKey)
.toList();
}
4. 使用示例
演示如何构建数据并获取推荐结果。
public static void main(String[] args) {Book b1 = new Book("1", "Java编程思想");
Book b2 = new Book("2", "算法导论");
Book b3 = new Book("3", "深入理解计算机系统");
Book b4 = new Book("4", "Effective Java");
User u1 = new User("Alice");
u1.addRating(b1, 5.0);
u1.addRating(b2, 4.5);
u1.addRating(b4, 5.0);
User u2 = new User("Bob");
u2.addRating(b1, 4.8);
u2.addRating(b2, 4.0);
u2.addRating(b3, 4.7);
User u3 = new User("Charlie");
u3.addRating(b2, 4.6);
u3.addRating(b3, 4.9);
u3.addRating(b4, 4.2);
List
List
System.out.println("给 Alice 的推荐：");
for (Book b : recommendations) {
System.out.println("- " + b.getTitle());
}
}
运行结果可能输出：
给 Alice 的推荐：- 深入理解计算机系统
因为 Bob 和 Charlie 都读过这本书且评分高，而 Alice 没看过，系统会将其推荐给她。
基本上就这些。这个实现虽然简单，但展示了推荐系统的核心逻辑。你可以在此基础上加入归一化、加权平均、更多相似度算法（如皮尔逊相关系数）或使用内存数据库优化性能。
