用java语言写一个协同过滤算法

下面是一个用Java实现的协同过滤算法的示例代码：

import java.util.*;

public class CollaborativeFiltering {
   

    // 用户评分矩阵
    private double[][] ratings;

    // 构造函数
    public CollaborativeFiltering(double[][] ratings) {
   
        this.ratings = ratings;
    }

    // 计算两个用户之间的欧氏距离
    private double calculateEuclideanDistance(double[] user1, double[] user2) {
   
        double distance = 0.0;
        for (int i = 0; i < user1.length; i++) {
   
            distance += Math.pow(user1[i] - user2[i], 2);
        }
        return Math.sqrt(distance);
    }

    // 查找最相似的用户
    private int findMostSimilarUser(double[] user) {
   
        int mostSimilarUser = -1;
        double minDistance = Double.MAX_VALUE;

        for (int i = 0; i < ratings.length; i++) {
   
            if (Arrays.equals(user, ratings[i])) {
   
                continue; // 跳过自身
            }

            double distance = calculateEuclideanDistance(user, ratings[i]);
            if (distance < minDistance) {
   
                minDistance = distance;
                mostSimilarUser = i;
            }
        }

        return mostSimilarUser;
    }

    // 预测用户对电影的评分
    public double predictRating(int userIndex, int movieIndex) {
   
        double[] user = ratings[userIndex];
        int mostSimilarUser = findMostSimilarUser(user);
        return ratings[mostSimilarUser][movieIndex];
    }

    // 示例
    public static void main(String[] args) {
   
        double[][] ratings = {
   
            {
   5, 3, 4, 4, 5},
            {
   4, 1, 2, 3, 2},
            {
   2, 5, 2, 1, 5},
            {
   1, 2, 4, 4, 3}
        };

        CollaborativeFiltering cf = new CollaborativeFiltering(ratings);
        double predictedRating = cf.predictRating(0, 1);
        System.out.println("Predicted rating: " + predictedRating);
    }
}

在上述代码中，我们首先定义了一个CollaborativeFiltering类，它包含了用户评分矩阵ratings和一些基本的方法。其中，calculateEuclideanDistance方法用于计算两个用户之间的欧氏距离，findMostSimilarUser方法用于查找最相似的用户，predictRating方法用于预测用户对电影的评分。

在示例中，我们使用一个4x5的评分矩阵作为输入数据，并预测用户0对电影1的评分。输出结果为预测的评分值。你可以根据自己的需求修改输入数据和预测的用户和电影索引。