張盼盼，劉凱凱

(運城學(xué)院，山西 運城 044000)

0 引言

如今人們會在互聯(lián)網(wǎng)上進行各種各樣的活動，如觀看電影、購買商品、閱讀書籍等，但隨著互聯(lián)網(wǎng)上信息的越來越多，人們發(fā)現(xiàn)越來越難以從海量信息中找出最適合自己的那些信息。圖書推薦系統(tǒng)的出現(xiàn)，可以解決“信息過載”[1]的困擾。圖書推薦系統(tǒng)通過數(shù)據(jù)挖掘等大數(shù)據(jù)技術(shù)，預(yù)測用戶的閱讀需求并推薦給用戶其最可能愛看的圖書，將人們從海量圖書的選擇困難中拯救出來。

本文研究了推薦算法的基本概念及其實際應(yīng)用；通過基于物品的協(xié)同過濾算法[2]對用戶和圖書相關(guān)數(shù)據(jù)進行計算，得出推薦結(jié)果，將推薦圖書展示給用戶，完成圖書推薦，為讀者解決實際問題。

1 系統(tǒng)總體架構(gòu)設(shè)計

本文基于協(xié)同過濾算法的圖書推薦系統(tǒng)采用MTV 架構(gòu)，來實現(xiàn)“高內(nèi)聚低耦合”。圖書推薦系統(tǒng)整體架構(gòu)如圖1 所示。

圖1 圖書推薦系統(tǒng)架構(gòu)圖

圖1 中，表現(xiàn)層的功能主要是將動態(tài)生成的網(wǎng)頁文件進行輸出，使用戶可以直觀的看到信息；業(yè)務(wù)邏輯層將一些邏輯封裝，在前端和數(shù)據(jù)庫端之間充當(dāng)中間人，便捷的將數(shù)據(jù)在兩者之間傳遞；數(shù)據(jù)存取層實現(xiàn)數(shù)據(jù)庫訪問，通過數(shù)據(jù)庫命令執(zhí)行操作，例如查詢，插入，更新，刪除等；數(shù)據(jù)庫采用MySQL，存儲圖書、讀者、評分等用戶信息。

2 功能模塊設(shè)計

本文圖書推薦系統(tǒng)借助基于物品的協(xié)同過濾算法，在用戶搜索圖書的同時自動為讀者推薦一批相似的圖書，因此在功能模塊上主要包含后臺管理系統(tǒng)和圖書推薦系統(tǒng)兩大部分。

2.1 后臺管理系統(tǒng)

后臺系統(tǒng)管理模塊實現(xiàn)了對用戶信息進行的刪除操作以及對圖書信息進行的添加和刪除操作,包括用戶賬號管理、圖書管理兩個部分，該功能主要通過管理員角色操作。

2.2 圖書推薦系統(tǒng)模塊

圖書推薦系統(tǒng)模塊主要包含用戶個人信息管理、熱門書籍、基于物品的推薦模塊三部分。

⑴用戶管理模塊主要實現(xiàn)用戶對本人信息的查看和修改操作、對用戶歷史評分記錄進行查看和刪除操作以及對喜歡書單內(nèi)圖書的信息進行查看和刪除操作。

⑵熱門書籍模塊的功能是通過對用戶的歷史評分記錄進行排行，得到熱門書籍。該功能是對所有用戶的評分記錄中圖書評分總和最高的圖書進行排行，根據(jù)評分由高到低進行排序，生成熱門圖書的排行榜。

⑶基于物品的推薦模塊是通過對圖書以及用戶評分記錄的分析，完成對用戶進行圖書推薦的功能。

3 算法設(shè)計

基于物品的協(xié)同過濾算法是本系統(tǒng)設(shè)計與實現(xiàn)的源泉，本節(jié)敘述有關(guān)該算法的實現(xiàn)過程與設(shè)計思想。

用戶依據(jù)數(shù)據(jù)庫內(nèi)數(shù)據(jù)的提取，通過推薦算法的分析、對用戶的行為分析[3]得出與自己所評的圖書相似的其他圖書，其結(jié)果將通過SQL 語句傳遞到前端，然后展示在HTML 頁面上,完成基于物品的協(xié)同過濾算法推薦的全過程。算法的流程圖如圖2所示。

圖2 基于物品的推薦功能模塊圖

3.1 獲取數(shù)據(jù)

首先從文件中獲取所需的數(shù)據(jù)集，并且根據(jù)列進行劃分得到所需的數(shù)據(jù)，將其存入訓(xùn)練集train 中。本系統(tǒng)中使用的數(shù)據(jù)通過網(wǎng)絡(luò)爬取獲得，本系統(tǒng)側(cè)重點在于推薦系統(tǒng)的設(shè)計，因此數(shù)據(jù)獲取不再詳細描述。

3.2 計算相似度

對所獲取的數(shù)據(jù)，對每本圖書統(tǒng)計用戶數(shù)及評分，記入空字典中，例如創(chuàng)建一個空字典為Self.N={}，N[i]表示對圖書i評分的用戶數(shù)。

然后建立物品相似度矩陣W[i][j]，計算出圖書i與圖書j 之間的相似度，填入該矩陣。利用如公式⑴計算圖書之間的相似度[4]。W[i][j]標(biāo)識圖書i 和圖書j的相似度，N[i]則是喜歡圖書i的用戶數(shù)，N[j]則是喜歡圖書j的用戶數(shù)，除號上方表示同時喜歡圖書i和圖書j的用戶數(shù)。

部分相似度矩陣如圖3。

3.3 為當(dāng)前用戶提供推薦圖書

面向當(dāng)前用戶，搜尋和用戶歷史評分上的圖書最相似的圖書集合，為用戶進行推薦。本文以用戶123為例，展示整個推薦過程：用戶123 對一本圖書進行評分后，歷史評分如圖4所示。

圖4 用戶123歷史評分展示圖

接下來用戶123在首頁點擊與你喜歡的圖書類似按鈕，后臺運行推薦算法：

首先創(chuàng)建字典self.train={}，從本地數(shù)據(jù)集中獲取數(shù)據(jù)，存儲所有的用戶對圖書的評分?jǐn)?shù)據(jù)；創(chuàng)建字典self.W，用來存儲圖書之間的相似度；創(chuàng)建self.N，用來存儲每本圖書被用戶評價過的次數(shù)。

然后通過3.2 節(jié)中的相似度公式計算圖書之間的相似度，生成圖書-圖書相似矩陣存入字典self.W 中。從得到的相似度矩陣中取出與用戶123 所評圖書最相似的其他圖書及其評分。所有用戶評價過的圖書信息存儲在self.train 中，由于當(dāng)前用戶名(user)為123，所以可以通過self.train[user]可獲取到用戶123 評價過的圖書信息。如表1所示。

表1 算法獲取到用戶123評價的圖書信息表

將用戶123 對每本圖書的評分與用戶123 評分過的每本圖書和其他圖書之間的相似度兩者之積進行求和，得到推薦字典rank{}，后對推薦字典進行堆排序，用來判斷用戶123 對某一圖書的喜好程度[5,6]的高低，根據(jù)推薦分由高到低排列，將指定數(shù)量的圖書推薦給用戶123，排序之后推薦字典內(nèi)的部分推薦圖書如表2所示。

表2 推薦字典經(jīng)過排序之后的部分圖書表

排序后將推薦圖書展示在HTML 頁面，如圖5所示，完成本系統(tǒng)基于物品的推薦功能。

圖5 為用戶123推薦圖書展示圖

4 結(jié)束語

圖書推薦系統(tǒng)根據(jù)圖書、評分?jǐn)?shù)據(jù)集，通過圖書記錄與用戶評分記錄進行推薦的軟件系統(tǒng)。本系統(tǒng)的圖書推薦模塊是由基于物品的協(xié)同推薦算法進行的圖書推薦，本文設(shè)計的熱門書籍模塊將圖書評分排行榜展示出來，使讀者對熱門書籍有一個直觀的感受，并且向沒有對圖書進行評分的用戶提供一批大眾評分較高的書籍。在文中應(yīng)用的推薦算法中，仍存在推薦準(zhǔn)確性的問題，下一步將在推薦算法上繼續(xù)討論研究，提高系統(tǒng)推薦圖書的推薦性能，使推薦結(jié)果更精準(zhǔn)，更好地為讀者服務(wù)。