推荐算法写好之后，发现相似度推荐全部是0.0,不知道是哪里的问题

Question

推荐算法我加进去了，但是不知道哪里的问题，我的算法分析用户相似度时，分析结果就是当前用户和其他用户的相似度都是0.0，根本推不出来。
我觉得第一种可能是计算相似度代码错了，但不知道是不是？我打断点之后，发现disMap是0.0错了，但是userItems和List都是能得到且信息正确
以下是我的代码:

public class CoreMath {
    /**
     * 计算相关系数并排序
     */
    public static Map<Integer, Double> computeNeighbor(Integer key, Map<Integer, List<Associate>> map, int type) {
        Map<Integer, Double> distMap = new TreeMap<>();
        List<Associate> userItems = map.get(key);
        if (CollectionUtil.isNotEmpty(userItems)) {
            map.forEach((k, v) -> {
                //排除此用户
                if (!k.equals(key)) {
                    //关系系数
                    double coefficient = relateDist(v, userItems, type);
                    //关系距离
                    double distance = Math.abs(coefficient);
                    distMap.put(k, distance);
                }
            });
        }
        return distMap;
    }


    /**
     * 计算两个序列间的相关系数
     */
    private static double relateDist(List<Associate> xList, List<Associate> yList, int type) {
        List<Integer> xs = new ArrayList<>();
        List<Integer> ys = new ArrayList<>();
        xList.forEach(x -> yList.forEach(y -> {
            if (type == 0) {
                if (x.getNotebookId().equals(y.getNotebookId())) {
                    xs.add(x.getIndex());
                    ys.add(y.getIndex());
                }
            } else {
                if (x.getUserId().equals(y.getUserId())) {
                    xs.add(x.getIndex());
                    ys.add(y.getIndex());
                }
            }
        }));
        return getRelate(xs, ys);
    }

    /**
     * 方法描述: 皮尔森相关系数计算
     * @param xs x集合
     * @param ys y集合
     * @Return {@link double}
     */
    public static double getRelate(List<Integer> xs, List<Integer> ys) {
        int n = xs.size();
        //至少有两个元素
        if (n < 2) {
            return 0D;
        }
        double Ex = xs.stream().mapToDouble(x -> x).sum();
        double Ey = ys.stream().mapToDouble(y -> y).sum();
        double Ex2 = xs.stream().mapToDouble(x -> Math.pow(x, 2)).sum();
        double Ey2 = ys.stream().mapToDouble(y -> Math.pow(y, 2)).sum();
        double Exy = IntStream.range(0, n).m

第二种可能是我的业务代码，收集加权后用户物品关系数据错了，我发现data里面只能存储当前用户的第一组index>1的数据，就没有数据了。
以下是我的代码:

// 定义一个存储每个笔记和每个用户关系的List
        List<Associate> data = new ArrayList<>();
//        计算每篇笔记和每个用户之间的关系指数
        for (Notebook notebook : allNotebook) {
            int index = 1;//遍历笔记
            Integer notebookId = notebook.getId();
            for (User user : allUsers) {//遍历用户
                Integer userId = user.getId();
               //指数设置为1
                // 1. 判断该用户有没有收藏该商品，收藏的权重：3
                Optional<Collect> collectOptional = allCollects.stream().filter(x -> x.getFid().equals(notebookId) && x.getUserId().equals(userId)).findFirst();
                if (collectOptional.isPresent()) {
                    index += 3;
                }
                // 2. 判断该用户有没有点赞该商品，点赞权重： 1
                Optional<Likes> cartOptional = allLikes.stream().filter(x -> x.getFid().equals(notebookId) && x.getUserId().equals(userId)).findFirst();
                if (cartOptional.isPresent()) {
                    index += 1;
                }
                // 3. 判断该用户有没有评论过笔记，评论的权重： 1
                Optional<Comment> commentOptional = allComments.stream().filter(x -> x.getFid().equals(notebookId) && x.getUserId().equals(userId)).findFirst();
                if (commentOptional.isPresent()) {
                    index += 1;
                }
                if (index > 1) {
                    Associate associate = new Associate(userId,notebookId,index);
                    data.add(associate);
                }
            }

        }

Answer 1

以下内容由CHATGPT及笑面虎共同生成、有用望采纳：

---

【您想要解决的问题】：您的问题是要解决推荐算法中用户相似度计算不正确的问题，具体表现为计算出的相似度全部为0.0，导致无法进行有效的推荐。

【问题出现原因】：

1. 计算相似度的代码可能存在逻辑错误，导致无法正确计算出用户之间的相似度。
2. 业务代码中收集用户与物品关系数据的方式可能存在问题，导致数据收集不完整或不正确。

【问题解决方案】：

1. 检查relateDist方法中的逻辑，特别是循环的使用，确保正确地比较了所有用户之间的相似度。
2. 检查getRelate方法中的皮尔森相关系数计算逻辑，确保计算过程正确无误。
3. 检查业务代码中的数据收集逻辑，确保能够正确地收集到所有用户与物品之间的关系数据。

【提供代码】： 由于代码片段不完整，无法提供完整的解决方案代码。但是，以下是一些可能的改进点：

• 确保relateDist方法中的内嵌循环正确地遍历了所有需要比较的用户和物品。
• 在getRelate方法中，完成皮尔森相关系数的计算，包括计算方差和协方差。
• 在业务代码中，检查data列表的构建逻辑，确保所有相关的用户-物品对都被正确地添加到列表中。

【代码运行方式】： 您需要将修改后的代码集成到您的Java项目中，并确保所有依赖项都已正确配置。然后，您可以在IDE中运行项目，或者使用构建工具（如Maven或Gradle）构建并运行。

【代码预期运行结果】： 预期结果是，修改后的代码能够正确计算出用户之间的相似度，并且相似度值不再是全部为0.0。这样，推荐算法就能够根据这些相似度值为用户推荐相关的物品。

【推荐相关链接】：

• Java 皮尔森相关系数计算
• Java 集合和列表操作
• Java 流（Stream）操作
• 推荐系统算法