【PHP】PHP实现协同推荐算法 概述：　　因为最近对算法这块进行了学习，所以最近对类似淘宝商品推荐的协同推荐算法进行了整理总结，本文将用php语言进行实现，文章将从以下几点进行终结：　　　　（1）什么是协同推荐算法？有什么用？　　（2）依据什么数学方法公式，为什么要用它？　　（3）实现流程是怎样的？　　（4）具体实现步骤。　　首先，第一点，我们要实现一个算法必须要知道它有什么用，核心思想是什么？顾名思义，它的用途就是用来给我们做一些相似性推荐，推荐你喜欢的恭喜，根据你的好友等预测你喜欢的然后再推荐给你；我们举个例子来概括一下算法的核心思想：该算法的核心思想可以概括为：若a,b喜欢同一系列的物品（暂时称b是a的邻居吧），则a很可能喜欢b喜欢的其他物品。算法的实现流程可以简单概括为：1.确定a有哪些邻居 2.通过邻居来预测a可能会喜欢哪种物品 3.将a可能喜欢的物品推荐给a。　　现在我们了解了这个核心思想以后，我们知道算法的核心是数学逻辑，我们必须理解其数学思想，然后再转化为编程思想达到我们的目标： 我们先回忆一下余弦定理：　 可见cosA的夹角越小cosA的值越大，则边c和边b的长度越相近，因此我们利用余弦定理的向量方式类推出如下公式：1.余弦相似度（求邻居）：2.预测公式（预测a可能会喜欢哪种物品）：　　接下来我们介绍一下实现流程：　　现在我们具体看看怎样用php实现这个算法：　　（1）数据准备：在这里我们直接定义一组数据$userarray= [ ['name'=>'A','a'=>3,'b'=>2,'c'=>1,'d'=>5,'e'=>null,'f'=>null,'g'=>null], ['name'=>'B','a'=>1,'b'=>6,'c'=>6,'d'=>5,'e'=>2,'f'=>3,'g'=>5], ['name'=>'C','a'=>3,'b'=>5,'c'=>null,'d'=>4,'e'=>3,'f'=>3,'g'=>6], ['name'=>'D','a'=>4,'b'=>1,'c'=>1,'d'=>5,'e'=>3,'f'=>3,'g'=>3], ['name'=>'E','a'=>5,'b'=>1,'c'=>null,'d'=>4,'e'=>5,'f'=>1,'g'=>5], ['name'=>'F','a'=>1,'b'=>3,'c'=>2,'d'=>5,'e'=>6,'f'=>null,'g'=>4], ['name'=>'G','a'=>1,'b'=>5,'c'=>2,'d'=>5,'e'=>2,'f'=>3ll,'g'=>5] ];　　(2)我们以A用户为对象分别计算出他们的余弦相似度，然后将其存入数组$cos中：/* * 以下示例只求A的推荐 */ $cos = []; $cos[0] = 0; $denominator_left = 0;//分母左边初始值 //开始计算cos //计算分母左边 for($i=1;$i<8;$i++){ if($userarray[0][$i] != null){//$userarray[0]代表A $denominator_left += $userarray[0][$i] * $userarray[0][$i]; } } $denominator_left = sqrt($denominator_left);//取算数平方根的值 for($i=1;$i<6;$i++){ $numerator = 0;//分子初始值 $denominator_right = 0;//分母右边初始值 for($j=1;$j<8;$j++){ //计算分子 if($userarray[0][$j] != null && $userarray[$i][$j] != null){ $numerator += $userarray[0][$j] * $userarray[$i][$j]; } //计算分母右边 if($userarray[$i][$j] != null){ $denominator_right += $userarray[$i][$j] * $userarray[$i][$j]; } } $denominator_right = sqrt($denominator_right ); $cos[$i]['cos'] = $numerator /$denominator_left /$denominator_right ;//存储当前用户的cos近似值 　　 $cos[$i]['name'] = $userarray[$i]['name'];//存储当前用户的名字 　　　$cos[$i]['e'] = $userarray[$i]['e'];//存储当前用户的e物品评分 　　　$cos[$i]['f'] = $userarray[$i]['f'];//存储当前用户的f物品评分 　　　$cos[$i]['g'] = $userarray[$i]['g'];//存储当前用户的g物品评分 }(3)我们对余弦近似值进行由大到小的排序，抽取前三个用户作为A用户的邻居，我们使用冒泡排序法对其进行排序// 第一层可以理解为从数组中键为0开始循环到最后一个 for ($i = 0; $i < count($cos) ; $i++) { 　　// 第二层为从$i+1的地方循环到数组最后 for ($j = $i+1; $j < count($cos); $j++) { 　　　　　// 比较数组中两个相邻值的大小 if ($cos[$i]['cos'] < $cos[$j]['cos']) { $tem = $cos[$i]; // 这里临时变量，存贮$i的值 $cos[$i] = $cos[$j]; // 第一次更换位置 $cos[$j] = $tem; // 完成位置互换 } } }　(4)接下来我们对A用户可能喜欢的物品进行预测，利用第二个公式，求出product值//计算A对e的评分 $numerator= 0;//分子初始值 $denominator= 0;//分母初始值 for($i=0;$i<3;$i++){ $numerator+= $cos[$i]['cos'] * $cos[$i]['e']; $denominator+= $cos[$i]['cos']; } $score_e = $numerator/sqrt($denominator); //计算A对f的评分 $numerator= 0;//分子初始值 $denominator= 0;//分母初始值 for($i=0;$i<3;$i++){ $numerator+= $cos[$i]['cos'] * $cos[$i]['f']; $denominator+= $cos[$i]['cos']; } $score_f= $numerator/sqrt($denominator); //计算A对g的评分 $numerator= 0;//分子初始值 $denominator= 0;//分母初始值 for($i=0;$i<3;$i++){ $numerator+= $cos[$i]['cos'] * $cos[$i]['g']; $denominator+= $cos[$i]['cos']; } $score_g= $numerator/sqrt($denominator);最后我们可以比较这些值，可以选取值最大的物品推荐给用户A