ReplaceItem1.java將原先的matchsets中的產品替換為它的分詞結果，分詞結果以空格隔開，產品與產品間用逗號隔開，輸出結果ToTerms1.txt。為了之後比較每個產品與預測產品的相似度，排除方案二中出現多可替代產品，而造成該搭配的相似度虛高的情況（比只有一種產品，但是它們分詞重合的面比較廣）
CommonCount1.java將預測產品的分詞結果和每行都算相似度（分詞重合的個數除以預測產品的分詞個數）將一行產品的相似度最高值儲存為該行的相似度值，然後根據相似度降序排序.
將大於相似度大於0.8的前100條搭配套餐的行號記錄下來（輸出檔案：line_0.8）
將大於相似度大於0.6的前100條搭配套餐的行號記錄下來。（輸出檔案：line_0.6

）
將大於相似度大於0.6的前100條搭配套餐的行號記錄下來。如果該行最高的相似度達不到0.6，那隻取第一條（輸出檔案：line0.6_100）
將大於相似度大於0.6的前10條搭配套餐的行號記錄下來。如果該行最高的相似度達不到0.6，那隻取第一條（輸出檔案：line0.6_10）
將line0.6_10中補上line_0.8中出現不止10條的記錄（輸出檔案：line0.6_10_0.8）

SelectTop200_1.java根據行號找到相應的搭配套餐，剔除同類產品，將其搭配產品輸出到檔案（final_example.txt），
ReplaceItem2.java將final_example中的每個產品的id替換為其分詞結果（分詞結果用空格隔開，產品用逗號隔開），(輸出結果：ExampleToTerms.txt

)
然後對每行的每個分詞結果去到產品庫中找出最相似的產品，（可以先排序，可以設定閾值>0.8），每行的都要去產品庫匹配，然後所有匹配商品都要放在一行，用逗號隔開
關於推薦個數選取問題：首先對於每個產品都有相似的產品，必須按相似度排序，map：id->commoncount/count-foreitem(也可以用兩個陣列存)，如果推薦example為1個，那必須要推薦200條，不管第200條與之相似度到底有多低，如果推薦example為n個，第一個推薦200*(2*i)/(n+n*n) i由n到1，也不管相似度的大小了，根據原先的相似度配比，選擇個數
CommonCount2.java統計各推薦組合中的某個商品與預測商品的相似度（最高相似度）輸出結果：simila.txt
CommonCount3.java統計各推薦組合中第幾個是該組合中與預測商品相似度最高的商品，輸出（simila_place.txt）與simila.txt相對應（之後要將該商品與其可替代商品剔除）1表示b[1],即該行第二個產品
Match_ToTerm.java將match裡的東西都變成分詞結果，分詞空格隔開，產品間可替代還是用逗號，搭配用；隔開，輸出檔案ToTerms2.txt
MatchDeleteLine.txt，輸出檔案ToTerms3.txt，將dim_fashion_matches.txt中第一列刪除。
SelectTop200_2.java輸出檔案final_example1.txt，排除原先因為相似度很像，而cat不同而沒有排除的商品，即找到該搭配組合中一個商品跟被預測商品很像，但是它們的cat不同
SelectTop200_3.java 輸出檔案final_example1.simila.txt,是final_example1.txt對應產品的相似度。
ReplaceItem2.java將final_example1.txt中的每個產品的id替換為其分詞結果（分詞結果用空格隔開，產品用逗號隔開），(輸出結果：ExampleToTerms1.txt)
將final_example1.txt中的產品與dim_items.txt中產品做相似度排序，取（200*0.6/(0.6+0.6)條）final_example1_simila.txt中的是final_example1.txt中對應位置的相似度
ChoseFirst.java（輸出結果ExampleToTerms2.txt）將ExampleToTerms1.txt中的第一個分詞結果提取出來，因為後期看到兩個類似的推薦搭配，產品庫中與它們相似的一些產品可能有很大一部分重複，由於這部分先前寫的排序演算法效果不佳，後期可以在各種搭配的推薦商品都可以嘗試地推薦一部分類似的
ForeResult.java（輸出：Result2.txt）將ExampleToTerms2.txt中到產品庫匹配最相似的200條
RemoveEnd.java(輸出：Result4.txt)將Result2.txt最後的分號摘掉
ToFinal2.java 格式轉換Result4.txt ->final4.txt