基于Jaccard算法的用户欣赏历史保举商品体系实战+springboot+vue源码实现 ...

大家好，这里是小罗毕设工作室。今天给大家带来了一套完整的保举体系： “基于Jaccard算法的用户欣赏历史保举商品体系”。 体系源码后端实现是springboot，前端是vue3。 

视频演示

     基于Jaccard算法的用户欣赏历史保举商品体系实战
  
图片截图

算法原理先容

假设我们有两个商品：商品A和商品B。商品A被用户{小明,小红,小张}欣赏过，商品B被用户{小红,小张,小李}欣赏过。
得到两个用户群体集合 ： {小明,小红,小张}    {小红,小张,小李}  。
我们通过Jaccard算法，将两个集合先取交集得到 {小红,小张} ，大小是2 ， 在取并集得到 {小明,小红,小张,小李}，大小是4。
因此Jaccard相似度=2/4=0.5，这个值表现两个商品的相似程度，值越靠近1表现两个商品越相似（被雷同用户群体欣赏），体系会优先保举相似度高的商品。


实现流程


根本数据预备

起首我们需要预备用户的行为数据表：

1. CREATE TABLE `user_behaviors` (
2.   `id` bigint NOT NULL AUTO_INCREMENT COMMENT '行为ID，自增主键',
3.   `user_id` bigint NOT NULL COMMENT '用户ID',
4.   `item_id` bigint NOT NULL COMMENT '物品ID',
5.   `rating` decimal(3,1) DEFAULT NULL COMMENT '评分（1-5分）',
6.   `behavior_type` varchar(20) NOT NULL COMMENT '行为类型（VIEW-浏览，LIKE-喜欢，PURCHASE-购买）',
7.   `timestamp` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '行为发生时间',
8.   PRIMARY KEY (`id`)
9. ) ENGINE=InnoDB COMMENT='用户行为记录表';

复制代码

之以是这里有评分字段，是因为后续要扩展 基于协同过滤算法的用户评分保举体系。
固然这里还要有用户表和商品表：

1. CREATE TABLE `items` (
2.   `id` bigint NOT NULL AUTO_INCREMENT COMMENT '物品ID，自增主键',
3.   `name` varchar(200) NOT NULL COMMENT '物品名称',
4.   `description` text COMMENT '物品描述',
5.   `category` varchar(50) DEFAULT NULL COMMENT '物品类别',
6.   `price` decimal(10,2) DEFAULT NULL COMMENT '物品价格',
7.   PRIMARY KEY (`id`)
8. ) ENGINE=InnoDB COMMENT='商品表';
10. CREATE TABLE `users` (
11. `id` bigint NOT NULL AUTO_INCREMENT COMMENT '用户ID，自增主键',
12. `username` varchar(50) NOT NULL COMMENT '用户名',
13. `email` varchar(100) NOT NULL COMMENT '用户邮箱',
14. `password` varchar(100) NOT NULL COMMENT '用户密码',
15. PRIMARY KEY (`id`)
16. ) ENGINE=InnoDB  COMMENT='用户表';

复制代码

表创建好之后，我们需要写好基本的用户登录，商品列表，商品详情等根本接口，然后保证有丰富的行为数据落库，这样保举体系才能发挥作用。
这些基本的接口我就不讲了，主要讲解一下用户保举接口的实现。

完整体系源码我已经整理清除：

1. gitcode巅抗目/hadluo2/springboot_vue.git

复制代码

用户保举接口的实现

我将代码的流程整理成了一个流程图，起首我们需要构造一个Map结构数据：

 这些数据就是查询用户行为表，将全部的行为数据，按照商品分类，每一个商品都对应了一个用户群体集合。
然后还是查询用户行为表 ， 将当前用户的行为数据查询出来，进行下面流程：

 关键的核心点就是：将当前保举用户买过的商品id对应其他也买过的这个商品的用户作为一个用户集合，然后取全部商品对应的用户群体集合（许多个），然后一个一个经过Jaccard算法盘算相似度，把这个相似度最为评分，最后取出评分高的商品最为保举商品。

讲到这里，你应该能懂了，下面看下关键代码实现：

2. /**
3.     完整代码实现：gitcode巅抗目/hadluo2/springboot_vue.git
4. * 基于用户浏览历史推荐物品
5. * 主要步骤如下：
6. * 1. 获取用户最近的浏览记录，按时间倒序排列
7. * 2. 获取所有用户的浏览记录，构建物品-用户倒排索引
8. * 3. 计算用户最近浏览物品与其他物品的相似度
9. * 4. 考虑时间衰减因素，为每个候选物品计算最终得分
10. * 5. 返回得分最高的N个物品作为推荐结果
11. * @param userId 用户ID
12. * @param numRecommendations 推荐数量
13. * @return 推荐的物品列表
14. */
15. public List<Item> recommendBasedOnBrowsingHistory(Long userId, int numRecommendations) {
16.     // 1. 获取用户最近的浏览记录
17.     // 创建查询条件：匹配用户ID和浏览行为，按时间戳降序排序
18.     LambdaQueryWrapper<UserBehavior> wrapper = new LambdaQueryWrapper<>();
19.     wrapper.eq(UserBehavior::getUserId, userId)
20.            .eq(UserBehavior::getBehaviorType, "VIEW")
21.            .orderByDesc(UserBehavior::getTimestamp);
22.     List<UserBehavior> userViews = userBehaviorRepository.selectList(wrapper);
23.    
24.     // 如果用户没有浏览记录，返回空列表
25.     if (CollectionUtils.isEmpty(userViews)) {
26.         return Collections.emptyList();
27.     }
29.     // 2. 获取所有用户的浏览记录
30.     // 查询所有用户的浏览行为，用于后续计算物品相似度
31.     List<UserBehavior> allViews = userBehaviorRepository.selectList(
32.         new LambdaQueryWrapper<UserBehavior>()
33.             .eq(UserBehavior::getBehaviorType, "VIEW")
34.     );
36.     // 3. 构建物品-用户的倒排索引
37.     // key: 物品ID, value: 浏览过该物品的用户ID集合
38.     Map<Long, Set<Long>> itemUserMap = new HashMap<>();
39.     for (UserBehavior view : allViews) {
40.         // computeIfAbsent: 如果key不存在，则创建一个新的HashSet
41.         itemUserMap.computeIfAbsent(view.getItemId(), k -> new HashSet<>())
42.                    .add(view.getUserId());
43.     }
45.     // 4. 计算物品相似度和推荐得分
46.     // 存储每个候选物品的最终得分
47.     Map<Long, Double> itemScores = new HashMap<>();
48.     // 获取用户已浏览过的物品ID集合，用于排除推荐
49.     Set<Long> userViewedItemIds = userViews.stream()
50.         .map(UserBehavior::getItemId)
51.         .collect(Collectors.toSet());
53.     // 遍历用户的每个浏览记录
54.     for (UserBehavior userView : userViews) {
55.         // 获取 浏览该物品的 所有用户
56.         Set<Long> itemUsers = itemUserMap.get(userView.getItemId());
57.         if (itemUsers == null) continue;
59.         // 遍历所有物品，计算与当前浏览物品的相似度
60.         for (Map.Entry<Long, Set<Long>> entry : itemUserMap.entrySet()) {
61.             Long otherItemId = entry.getKey();
62.             // 该用户浏览过了这个商品id， 直接排除
63.             if (userViewedItemIds.contains(otherItemId)) continue;
64.             // 浏览过这个商品的 其他用户
65.             Set<Long> otherItemUsers = entry.getValue();
66.             // 使用Jaccard相似度计算物品相似度
67.             // Jaccard相似度 = 两个集合的交集大小 / 并集大小
68.             //完整代码请见：gitcode巅抗目/hadluo2/springboot_vue.git
69.             double similarity = calculateJaccardSimilarity(itemUsers, otherItemUsers);
70.             
71.             // 考虑时间衰减因素   相当于一个优化因子
72.             // 浏览时间越近，权重越大（1/1, 1/2, 1/3, ...）
73.             //完整代码请见：gitcode巅抗目/hadluo2/springboot_vue.git
74.             // 累加相似度得分（考虑时间权重）
75.             itemScores.merge(otherItemId, similarity * timeWeight, Double::sum);
76.         }
77.     }
79.     // 5. 生成推荐结果
80.     // 对候选物品按得分降序排序，选择前N个
81.     return itemScores.entrySet().stream()
82.         .sorted(Map.Entry.<Long, Double>comparingByValue().reversed())
83.         .limit(numRecommendations)
84.         .map(e -> itemRepository.selectById(e.getKey()))
85.         .filter(Objects::nonNull)
86.         .collect(Collectors.toList());
87. }

复制代码

 代码只贴了部分，原理已经教给大家。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。