基于協(xié)同過濾算法的IT書籍推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

孫曉娟+千博+王圣濤

摘要：隨著IT行業(yè)的飛速發(fā)展，IT從業(yè)人員也越來越多，如何在茫茫書海中選擇適合自己的IT書籍是一個(gè)非常重要的問題。設(shè)計(jì)了一個(gè)IT書籍推薦系統(tǒng)，系統(tǒng)基于B/S模式，采用LAMP架構(gòu)體系，將協(xié)同過濾算法加入網(wǎng)站系統(tǒng)中，以實(shí)現(xiàn)IT書籍的個(gè)性化推薦。實(shí)驗(yàn)結(jié)果表明，個(gè)性化書籍推薦系統(tǒng)能夠通過用戶行為挖掘用戶興趣，從而為用戶推薦適合自己的IT書籍。關(guān)鍵詞：協(xié)同過濾；IT書籍推薦；個(gè)性化推薦；LAMP架構(gòu) DOI 10.11907/rjdk.162819中圖分類號(hào)：TP319 A 文章編號(hào)：16727800（2017）004007003

0引言隨著信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展，人們逐漸從信息匱乏的時(shí)代進(jìn)入到信息過載時(shí)代[1]。而個(gè)性化推薦系統(tǒng)是解決信息過載的一個(gè)有效途徑，推薦系統(tǒng)通過分析用戶的歷史行為給用戶的興趣建立模型，從而主動(dòng)推薦能夠滿足用戶興趣和需求的信息。 設(shè)計(jì)一個(gè)IT書籍個(gè)性化推薦系統(tǒng)，可方便IT從業(yè)人員的專業(yè)書籍遴選，減少不必要的重復(fù)工作。IT書籍推薦系統(tǒng)可以通過分析用戶行為，發(fā)現(xiàn)用戶興趣，從而實(shí)現(xiàn)個(gè)性化的書籍推薦。1個(gè)性化推薦 基于鄰域的推薦算法是業(yè)內(nèi)使用最廣泛的個(gè)性化推薦算法[2]，主要依賴某個(gè)用戶的相似用戶或某物品的相似物品產(chǎn)生推薦。根據(jù)用戶—物品評(píng)分矩陣，計(jì)算用戶或物品的相似度，找到最相似的K個(gè)鄰居，計(jì)算當(dāng)前用戶與未操作物品的相關(guān)度，以推薦列表形式推薦相關(guān)度最高的物品。該類算法主要包括基于用戶的協(xié)同過濾和基于物品的協(xié)同過濾兩種。在實(shí)際中，由于項(xiàng)目需求不同，個(gè)性化推薦模型也有一定差異，但幾乎所有推薦模型都包括用戶行為搜集模塊、用戶日志分析模塊以及個(gè)性化推薦算法模塊[34]。具體模型如圖1所示。]1.1基于用戶的協(xié)同過濾算法 基于用戶的協(xié)同過濾算法的基本思想是：興趣相似的用戶可能會(huì)對(duì)相同物品感興趣[56]。因此，當(dāng)要給用戶A個(gè)性化推薦物品時(shí)，可以先找到與其有相似興趣的其他用戶，然后把那些其他用戶喜歡、而用戶A沒有聽說過的物品推薦給A。該算法的推薦過程主要分為兩步：

第一步：找到和目標(biāo)用戶興趣度相似的用戶集合。其中計(jì)算用戶u和v的相似度方法主要有余弦相似度（公式1）、皮爾遜相關(guān)系數(shù)（公式2）等[78]，ru，i為用戶u對(duì)物品i的評(píng)分；u和v分別是用戶u和用戶v在各自所評(píng)物品集上的均值。第二步：得到用戶之間的興趣相似度后，找到該集合中用戶喜歡，且目標(biāo)用戶沒有聽說過的物品推薦給目標(biāo)用戶[9]。使用公式（3）計(jì)算用戶u對(duì)物品i的感興趣程度[10]，S（u，K）包含和用戶u興趣最接近的K個(gè)用戶，N（i）是對(duì)物品i有過行為的用戶集合。]1.2基于物品的協(xié)同過濾算法基于物品的協(xié)同過濾算法的基本思想是：通過分析用戶的行為記錄，計(jì)算物品之間的相似度，物品A和物品B具有很大相似度的原因是因?yàn)橄矚g物品A的用戶也大都喜歡物品B[11]。該算法的推薦過程也分為兩步：第一步：計(jì)算物品之間的相似度。這里采用改進(jìn)的余弦相似度[12]：第二步：得到物品之間的相似度后，根據(jù)公式（5）計(jì)算用戶對(duì)物品的興趣度[1314]。按興趣度從高到低排序后，取其前N個(gè)值作為最終結(jié)果推薦給用戶?！糀Kr-〗i表示物品i的平均分，S（i，K）表示和物品i相似的K個(gè)物品集合，N（u）表示用戶u評(píng)分過的物品。2IT書籍推薦系統(tǒng)設(shè)計(jì)]2.1系統(tǒng)總體架構(gòu) IT書籍推薦系統(tǒng)主要由前臺(tái)展示頁面、后臺(tái)數(shù)據(jù)庫系統(tǒng)和推薦引擎三大部分組成[15]。其中，前臺(tái)展示頁面是用戶與系統(tǒng)進(jìn)行交互的接口，用戶可以看到并尋找自己感興趣的書籍，同時(shí)系統(tǒng)也會(huì)自動(dòng)化地給用戶推薦一個(gè)書籍列表；后臺(tái)數(shù)據(jù)庫系統(tǒng)主要用來記錄用戶信息、書籍信息以及用戶行為所產(chǎn)生的數(shù)據(jù)；推薦引擎是實(shí)現(xiàn)個(gè)性化推薦最重要的模塊[1617]，本系統(tǒng)針對(duì)新注冊(cè)用戶，利用熱門推薦進(jìn)行書籍推薦，當(dāng)用戶進(jìn)行評(píng)分，產(chǎn)生行為數(shù)據(jù)后，采用協(xié)同過濾算法來實(shí)現(xiàn)個(gè)性化推薦[18]。圖2為系統(tǒng)的總體架構(gòu)。

2.2系統(tǒng)功能模塊設(shè)計(jì) 對(duì)于整個(gè)IT書籍推薦系統(tǒng)而言，書籍和用戶是兩大主體。為實(shí)現(xiàn)給用戶個(gè)性化推薦IT書籍，系統(tǒng)主要需要3大模塊：用戶模塊、書籍模塊、評(píng)分模塊（產(chǎn)生推薦）。系統(tǒng)功能模塊設(shè)計(jì)如圖3所示。

用戶管理模塊主要實(shí)現(xiàn)對(duì)用戶的管理，根據(jù)權(quán)限分為普通用戶和系統(tǒng)管理員；書籍管理模塊主要實(shí)現(xiàn)對(duì)書籍的管理，在后臺(tái)實(shí)現(xiàn)書籍添加、修改信息、刪除書籍，在前臺(tái)實(shí)現(xiàn)書籍展示等功能；評(píng)分模塊是聯(lián)系用戶與書籍、實(shí)現(xiàn)書籍個(gè)性化推薦的重要模塊。]2.3數(shù)據(jù)庫設(shè)計(jì) 根據(jù)系統(tǒng)功能需求，設(shè)計(jì)的IT書籍推薦系統(tǒng)主要涉及5張表：用戶基本信息表、書籍信息表、評(píng)分信息表、用戶相似度表和書籍相似度表。各個(gè)表之間的關(guān)系如圖4所示。

用戶基本信息表負(fù)責(zé)存儲(chǔ)用戶基本信息，包括用戶userid、用戶名、密碼、郵箱、角色（管理員或普通用戶）等；書籍信息表包括書籍編號(hào)、書籍名稱、書籍作者、出版年份、出版社、封面縮略圖、書籍內(nèi)容、創(chuàng)建時(shí)間、更新時(shí)間、點(diǎn)擊次數(shù)；評(píng)分信息表包括記錄id、用戶userid、書籍id、評(píng)分值、評(píng)分時(shí)間。用戶相似度表和書籍相似度表是通過協(xié)同過濾算法計(jì)算得到的信息，是個(gè)性化推薦的直接來源。3系統(tǒng)實(shí)現(xiàn) 系統(tǒng)基于B/S架構(gòu)，采用現(xiàn)今比較流行的LAMP開發(fā)環(huán)境。其中L指Linux系統(tǒng)；A指Apache，是一個(gè)被廣泛使用的網(wǎng)站服務(wù)器軟件；M指MySQL數(shù)據(jù)庫軟件；P指PHP程序開發(fā)語言。同時(shí)使用MVC開發(fā)模式，實(shí)現(xiàn)在瀏覽器上以網(wǎng)站的形式提供推薦服務(wù)。]3.1用戶管理模塊 用戶管理模塊是Web系統(tǒng)的必備功能?？紤]到前后臺(tái)分離的安全性問題，在設(shè)計(jì)用戶數(shù)據(jù)表時(shí)，加入了角色字段來區(qū)分是普通用戶還是系統(tǒng)管理員。其中，管理員擁有管理普通用戶以及增加、刪除、修改書目的權(quán)限。普通用戶登陸后則可以獲得推薦服務(wù)以及對(duì)書目進(jìn)行評(píng)分。普通網(wǎng)站所具有的注冊(cè)、登陸、密碼修改、找回密碼等功能本系統(tǒng)也都具備。]3.2書籍管理模塊 出于安全性及減少噪聲信息的考慮，該部分也是由管理員負(fù)責(zé)管理。書籍管理模塊中書籍的增加、刪除、更新是在后臺(tái)實(shí)現(xiàn)的，前臺(tái)功能是用來展示書籍列表，書籍信息的展示根據(jù)用戶是否登錄略有不同。數(shù)目的添加、刪除、修改與通常網(wǎng)站類似，這里不再贅述。以下對(duì)于書籍信息展示功能進(jìn)行說明，圖5為書籍展示流程模塊。

如果用戶未登錄，則提醒用戶登錄獲取推薦服務(wù)；如果用戶已經(jīng)登錄，則根據(jù)用戶歷史信息向其推薦書籍。推薦的書籍排在常規(guī)書單后面，選取的書籍是利用協(xié)同過濾推薦算法計(jì)算出的用戶未評(píng)分但興趣度最高的6本書。]3.3評(píng)分管理模塊 用戶評(píng)分動(dòng)作發(fā)生在書籍詳細(xì)信息的界面，只有當(dāng)用戶登錄時(shí)才能查看自己對(duì)本書籍的評(píng)分狀態(tài)，從而添加或更改評(píng)分，流程如圖6所示。 如果用戶未登錄，則提示用戶登陸參與評(píng)分，獲取更優(yōu)的推薦服務(wù)；如果用戶已登錄，則判斷用戶是否已對(duì)這本書籍進(jìn)行了評(píng)分。如果沒有評(píng)分，顯示評(píng)分表單，用戶可以對(duì)其進(jìn)行評(píng)分。如果用戶已經(jīng)對(duì)本書籍進(jìn)行了評(píng)分但是需要更改評(píng)分，點(diǎn)擊頁面上的修改按鈕則可以重新進(jìn)行評(píng)分操作。

4系統(tǒng)評(píng)估 系統(tǒng)設(shè)計(jì)實(shí)現(xiàn)后，為了驗(yàn)證推薦算法的應(yīng)用效果，在實(shí)驗(yàn)室隨機(jī)邀請(qǐng)若干同學(xué)進(jìn)行注冊(cè)，網(wǎng)站后臺(tái)通過捕捉用戶的顯性和隱性行為特征進(jìn)行個(gè)性化推薦。其中，顯性行為是用戶對(duì)書籍的主動(dòng)評(píng)分，隱性行為是用戶對(duì)某一書籍的點(diǎn)擊次數(shù)等。系統(tǒng)根據(jù)捕捉到的信息，將其存入后臺(tái)數(shù)據(jù)庫，并通過推薦算法的處理，最終實(shí)現(xiàn)對(duì)用戶的個(gè)性化書籍推薦。

以wangshengtao同學(xué)為例，系統(tǒng)通過分析其在網(wǎng)站上的行為特征，發(fā)現(xiàn)他對(duì)Java方向比較感興趣，圖7是系統(tǒng)為其推薦的書單。在后期的用戶調(diào)查階段，wangshengtao表示對(duì)推薦結(jié)果較為滿意。

5結(jié)語 本文簡單介紹了協(xié)同過濾算法，設(shè)計(jì)并實(shí)現(xiàn)了基于協(xié)同過濾算法的IT書籍推薦系統(tǒng)。系統(tǒng)基于B/S模式，采用LAMP架構(gòu)，通過將推薦算法融入網(wǎng)站后臺(tái)中，系統(tǒng)能夠通過分析用戶行為，從而實(shí)現(xiàn)為用戶個(gè)性化地推薦IT書籍。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)能夠準(zhǔn)確地為用戶推薦書籍，具有一定實(shí)用性與穩(wěn)定性。

參考文獻(xiàn)：[1]CHARU C AGGARWAL.An introduction to recommender systems[M].Springer International Publishing，2016.

[2]J BOBADILLA， F ORTEGA， A HERNANDO， et al. Recommender systems survey[J]. KnowledgeBased System，2013，46（1）：109132.

[3]項(xiàng)亮.推薦系統(tǒng)實(shí)踐[M].北京：人民郵電出版社，2012.

[4]YUESHEN XU， JIANWEI YIN. Collaborative recommendation with user generated content[J].Engineering Applications of Artificial Intelligence， 2015.

[5]THOMAS QUIROZ，OSCAR M SALAZAR，DEMETRIO A OVALLE.Adaptable and adaptive humancomputer interface to recommend learning objects from repositories[C].Learning and Collaboration Technologies ， 2016： 539549.

[6]YUESHEN XU，ZHIYUAN CHEN，JIANWEI YIN，et al.Learning to recommend with user generated content[C].International Conference on WebAge Information Management，2015：221232.

[7]王小亮. 基于協(xié)同過濾的個(gè)性化推薦算法的優(yōu)化和應(yīng)用[D]. 杭州：浙江工商大學(xué)， 2010.

[8]SUVASH SEDHAIN， SCOTT SANNER， DARIUS BRAZIUNAS， et al. Social collaborative filtering for coldstart recommendations[C]. Proceedings of the 8th ACM Conference on Recommender Systems， 2014：345348. [9]JASON C HUNG，JINGDE WENG，YUNGHUI CHEN.A recommendation system based on mining human portfolio for museum navigation[C].Evolving Systems，2016：145158.

[10]BIROL CILOGLUGIL， MUSTAFA MURAT INCEOGLU.A felder and silverman learning styles model based personalization approach to recommend learning objects[C].Computational Science and Its ApplicationsICCSA 2016：386397.

[11]LEI GUO，JUN MA，ZHUMIN CHEN，et al.Learning to recommend with social contextual information from implicit feedback[C].Soft Computing，2015：13511362. [12]王偉杰. 基于評(píng)分預(yù)測的協(xié)同推薦若干問題研究[D].上海：華東師范大學(xué)，2014.

[13]YEHUDA KOREN.Factorization meets the neighborhood：a multifaceted collaborative filtering model[C]. Proceeding of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2008：426434.

[14]J BOBADILLA， F ORTEGA， A HERNANDO， et al. Recommender systems survey[J]. KnowledgeBased System， 2013， 46（1）：109132.

[15]王國霞， 劉賀平.個(gè)性化推薦系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（7）：6676.

[16]VERSTRPEN K， GOETHALS B. Unifying nearest neighbors collaborative filtering[C]. ACM RecSys， 2014： 177184.[17]LIU X， ABERER K. Towards a dynamic topN recommendation framework[C]. ACM RecSys，2014： 217224.[18]BRESSE JS， HECKERMAN D， KADIE C. Empirical analysis of predictive algoithms for collaborative filtering[C]. Proc 14th Cof Uncertainty in Artificial Intelligence Madison，2008：4352.

（責(zé)任編輯：黃?。?