大家好，這里是小羅畢設工作室。今天給大家帶來了一套完整的推薦系統： “基于Jaccard算法的用戶瀏覽歷史推薦商品系統”。 系統源碼后端實現是springboot，前端是vue3。?

視頻演示

圖片截圖

算法原理介紹

假設我們有兩個商品：商品A和商品B。商品A被用戶{小明,小紅,小張}瀏覽過，商品B被用戶{小紅,小張,小李}瀏覽過。

得到兩個用戶群體集合 ： {小明,小紅,小張}? ??{小紅,小張,小李}? 。

我們通過Jaccard算法，將兩個集合先取交集得到 {小紅,小張} ，大小是2 ， 在取并集得到?{小明,小紅,小張,小李}，大小是4。

因此Jaccard相似度=2/4=0.5，這個值表示兩個商品的相似程度，值越接近1表示兩個商品越相似（被相同用戶群體瀏覽），系統會優先推薦相似度高的商品。

實現流程

基礎數據準備

首先我們需要準備用戶的行為數據表：

CREATE TABLE `user_behaviors` (`id` bigint NOT NULL AUTO_INCREMENT COMMENT '行為ID，自增主鍵',`user_id` bigint NOT NULL COMMENT '用戶ID',`item_id` bigint NOT NULL COMMENT '物品ID',`rating` decimal(3,1) DEFAULT NULL COMMENT '評分（1-5分）',`behavior_type` varchar(20) NOT NULL COMMENT '行為類型（VIEW-瀏覽，LIKE-喜歡，PURCHASE-購買）',`timestamp` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '行為發生時間',PRIMARY KEY (`id`)
) ENGINE=InnoDB COMMENT='用戶行為記錄表';

之所以這里有評分字段，是因為后續要擴展?基于協同過濾算法的用戶評分推薦系統。

當然這里還要有用戶表和商品表：

CREATE TABLE `items` (`id` bigint NOT NULL AUTO_INCREMENT COMMENT '物品ID，自增主鍵',`name` varchar(200) NOT NULL COMMENT '物品名稱',`description` text COMMENT '物品描述',`category` varchar(50) DEFAULT NULL COMMENT '物品類別',`price` decimal(10,2) DEFAULT NULL COMMENT '物品價格',PRIMARY KEY (`id`)
) ENGINE=InnoDB COMMENT='商品表';CREATE TABLE `users` (
`id` bigint NOT NULL AUTO_INCREMENT COMMENT '用戶ID，自增主鍵',
`username` varchar(50) NOT NULL COMMENT '用戶名',
`email` varchar(100) NOT NULL COMMENT '用戶郵箱',
`password` varchar(100) NOT NULL COMMENT '用戶密碼',
PRIMARY KEY (`id`)
) ENGINE=InnoDB? COMMENT='用戶表';

表建立好之后，我們需要寫好基本的用戶登錄，商品列表，商品詳情等基礎接口，然后保證有豐富的行為數據落庫，這樣推薦系統才能發揮作用。

這些基本的接口我就不講了，主要講解一下用戶推薦接口的實現。

完整系統源碼我已經整理清除：

gitcode巔抗目/hadluo2/springboot_vue.git

用戶推薦接口的實現

我將代碼的流程整理成了一個流程圖，首先我們需要構造一個Map結構數據：

?這些數據就是查詢用戶行為表，將所有的行為數據，按照商品分類，每一個商品都對應了一個用戶群體集合。

然后還是查詢用戶行為表 ， 將當前用戶的行為數據查詢出來，進行下面流程：

?關鍵的核心點就是：將當前推薦用戶買過的商品id對應其他也買過的這個商品的用戶作為一個用戶集合，然后取所有商品對應的用戶群體集合（很多個），然后一個一個經過Jaccard算法計算相似度，把這個相似度最為評分，最后取出評分高的商品最為推薦商品。

講到這里，你應該能懂了，下面看下關鍵代碼實現：

/**完整代碼實現：gitcode巔抗目/hadluo2/springboot_vue.git* 基于用戶瀏覽歷史推薦物品* 主要步驟如下：* 1. 獲取用戶最近的瀏覽記錄，按時間倒序排列* 2. 獲取所有用戶的瀏覽記錄，構建物品-用戶倒排索引* 3. 計算用戶最近瀏覽物品與其他物品的相似度* 4. 考慮時間衰減因素，為每個候選物品計算最終得分* 5. 返回得分最高的N個物品作為推薦結果* @param userId 用戶ID* @param numRecommendations 推薦數量* @return 推薦的物品列表*/
public List<Item> recommendBasedOnBrowsingHistory(Long userId, int numRecommendations) {// 1. 獲取用戶最近的瀏覽記錄// 創建查詢條件：匹配用戶ID和瀏覽行為，按時間戳降序排序LambdaQueryWrapper<UserBehavior> wrapper = new LambdaQueryWrapper<>();wrapper.eq(UserBehavior::getUserId, userId).eq(UserBehavior::getBehaviorType, "VIEW").orderByDesc(UserBehavior::getTimestamp);List<UserBehavior> userViews = userBehaviorRepository.selectList(wrapper);// 如果用戶沒有瀏覽記錄，返回空列表if (CollectionUtils.isEmpty(userViews)) {return Collections.emptyList();}// 2. 獲取所有用戶的瀏覽記錄// 查詢所有用戶的瀏覽行為，用于后續計算物品相似度List<UserBehavior> allViews = userBehaviorRepository.selectList(new LambdaQueryWrapper<UserBehavior>().eq(UserBehavior::getBehaviorType, "VIEW"));// 3. 構建物品-用戶的倒排索引// key: 物品ID, value: 瀏覽過該物品的用戶ID集合Map<Long, Set<Long>> itemUserMap = new HashMap<>();for (UserBehavior view : allViews) {// computeIfAbsent: 如果key不存在，則創建一個新的HashSetitemUserMap.computeIfAbsent(view.getItemId(), k -> new HashSet<>()).add(view.getUserId());}// 4. 計算物品相似度和推薦得分// 存儲每個候選物品的最終得分Map<Long, Double> itemScores = new HashMap<>();// 獲取用戶已瀏覽過的物品ID集合，用于排除推薦Set<Long> userViewedItemIds = userViews.stream().map(UserBehavior::getItemId).collect(Collectors.toSet());// 遍歷用戶的每個瀏覽記錄for (UserBehavior userView : userViews) {// 獲取 瀏覽該物品的 所有用戶Set<Long> itemUsers = itemUserMap.get(userView.getItemId());if (itemUsers == null) continue;// 遍歷所有物品，計算與當前瀏覽物品的相似度for (Map.Entry<Long, Set<Long>> entry : itemUserMap.entrySet()) {Long otherItemId = entry.getKey();// 該用戶瀏覽過了這個商品id， 直接排除if (userViewedItemIds.contains(otherItemId)) continue;// 瀏覽過這個商品的 其他用戶Set<Long> otherItemUsers = entry.getValue();// 使用Jaccard相似度計算物品相似度// Jaccard相似度 = 兩個集合的交集大小 / 并集大小//完整代碼請見：gitcode巔抗目/hadluo2/springboot_vue.gitdouble similarity = calculateJaccardSimilarity(itemUsers, otherItemUsers);// 考慮時間衰減因素   相當于一個優化因子// 瀏覽時間越近，權重越大（1/1, 1/2, 1/3, ...）//完整代碼請見：gitcode巔抗目/hadluo2/springboot_vue.git// 累加相似度得分（考慮時間權重）itemScores.merge(otherItemId, similarity * timeWeight, Double::sum);}}// 5. 生成推薦結果// 對候選物品按得分降序排序，選擇前N個return itemScores.entrySet().stream().sorted(Map.Entry.<Long, Double>comparingByValue().reversed()).limit(numRecommendations).map(e -> itemRepository.selectById(e.getKey())).filter(Objects::nonNull).collect(Collectors.toList());
}

?代碼只貼了部分，原理已經教給大家。