首页 > 文章 > java教程

Java实现图书推荐方法详解

时间：2026-05-08 19:18:35 148浏览收藏

本文深入浅出地解析了如何用Java实现一个基于用户行为的协同过滤图书推荐系统，核心是通过计算用户间余弦相似度识别阅读偏好相近的用户，并据此为当前用户推荐其高分但尚未接触的图书——例如精准地将《深入理解计算机系统》推荐给Alice；文章不仅清晰阐述原理，还提供了完整的可运行代码示例，涵盖Book、User建模、相似度计算与推荐生成全过程，让初学者也能快速掌握推荐系统的底层逻辑与工程落地路径。

如何使用Java实现简单的图书推荐功能

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 ratings = new HashMap<>();

    public User(String id) {
        this.id = id;
    }

    public void addRating(Book book, double rating) {
        if (rating >= 1 && rating <= 5) {
            ratings.put(book, rating);
        }
    }

    public Map getRatings() { return ratings; }
    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 r1 = u1.getRatings();
        Map r2 = u2.getRatings();

        Set commonBooks = new HashSet<>(r1.keySet());
        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。

public static List recommendBooks(User targetUser, List allUsers, int topK) {
    List> similarities = new ArrayList<>();

    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 alreadyRated = targetUser.getRatings().keySet();
    Map candidateScores = new HashMap<>();

    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 users = Arrays.asList(u1, u2, u3);

    List recommendations = recommendBooks(u1, users, 2);

    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。

本篇关于《Java实现图书推荐方法详解》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于文章的相关知识，请关注golang学习网公众号！

资料下载

编程学习资料下载

精选编程（Golang、Python、Java、C++、JavaScript等）教程、电子书与示例源码，一键打包本地下载学习。

立即下载