基於JACCARD推薦（0,1推薦）
傑卡德相似係數(Jaccard similarity coefficient)，也稱傑卡德指數(Jaccard Index)，是用來衡量兩個集合相似度的一種指標。Jaccard相似指數用來度量兩個集合之間的相似性，它被定義爲兩個集合交集的元素個數除以並集的元素個數。
在我們項目中對於新聞的推薦，每個用戶對新聞的瀏覽可以看做是一個集合。這樣就可以使用jaccard算法實現用戶之間的相似度計算；
公式如下：
給定兩個n維二元向量A、B，A、B的每一維都只能是0或者1，利用Jaccard相似係數來計算二者的相似性：
1） 代表向量A與向量B都是0的維度個數；
2） 代表向量A是0而向量B是1的維度個數；
3） 代表向量A是1而向量B是0的維度個數；
4 ) 代表向量A和向量B都是1的維度個數。
n維向量的每一維都會落入這4類中的某一類，因此：（目前我們的推薦只涉及到二維）
則Jaccard相似係數爲：
在二維裏面其實就是
AB的一個交集數量/整體元素數量；
2、jaccard舉例？
比如我們的用戶對新聞的一個瀏覽數據如下：
ABCD 代表的四個用戶 ；1,2,3,4 代表的是四個新聞；1代表看過該新聞，0代表沒有看過該新聞；下面簡單計算一下相似度：
用戶A 和 用戶B 的相似度計算： M11 就是1 M01+M10+M11 = 4 所以J（A,B） = 1/4 = 25%
用戶A 和 用戶C 的相似度計算： M11 就是3 M01+M10+M11 = 4 所以J（A,B） = 3/4 = 75%
用戶A 和 用戶D 的相似度計算： M11 就是2 M01+M10+M11 = 4 所以J（A,B） = 2/4 = 50%
由此可見A跟用戶的相似度排名從高到低就是 C D B ；
時間複雜度分析
1. 假設數據已經存在 A[n][m] 二維數組 n代表用戶 m代表商品 nm的值就是某個用戶是否看過某個商品 值用0,1 標示。0沒看過，1看過。
2.使用jaccard算法比較每個用戶 循環 A[n][m] ，依次比較從0到n的用戶 ； 形成數組B[n1][n2] 存放的數據代表每個用戶n1和用戶n2的相似度；
for (int i = 0; i < USERCOUNT; i++) {
for (int j = 0; j < USERCOUNT; j++) {
if (i == j) {//自己跟自己的相似度 1
similarityMatrix[i][j] = 1;
}else {
similarityMatrix[i][j] = computeSimilarity(preference[i], preference[j]);
}
}
時間複雜度爲O2
3.進行評分預測
A 遍歷用戶 for
B1相似度排序（array）
for (int j = 0; j < temp.length; j++) {
temp[j] = similarity[j];
} B2獲取近鄰
for (int m = temp.length - 1; m >= temp.length - KNEIGHBOUR; m--) {
for(int j = 0; j < similarity.length; j++) {
if (similarity[j] == temp[m] && similarity[j] != 0.0 && j!=i)
neighborSerial.add(new Integer(j));/*添加一個整型數據對象 用戶id-1*/
}
}
B3遍歷商品
C1遍歷近鄰 獲取評分
時間複雜度爲 O2+ O3+O3 = O2 + 2O3 最終近似爲O3
