朝阳区手机网站建设服务,建设教育网站,花都网站制作公司,建设网站企业登录基于协同过滤算法的图书管理系统 一、简介#xff08;v信#xff1a;1257309054#xff09;
本系统基于推荐算法给用户实现精准推荐图书。
根据用户对物品或者信息的偏好#xff0c;发现物品或者内容本身的相关性#xff0c;或者是发现用户的相关性#xff0c;然…基于协同过滤算法的图书管理系统 一、简介v信1257309054
本系统基于推荐算法给用户实现精准推荐图书。
根据用户对物品或者信息的偏好发现物品或者内容本身的相关性或者是发现用户的相关性然后再基于这些关联性进行推荐种被称为基于协同过滤的推荐。
本系统使用了三种推荐算法基于用户的协同过滤算法、基于物品的协同过滤算法、基于机器学习k-means聚类的过滤算法以及三种算法的混合推荐算法。
主要功能如下图
二、使用到的技术
开发语言是python3.7框架是Django3.0,采用的是djanog前后端相结合的技术后台管理系统是xadmin,数据库是Mysql5.7。
1、Django的MTV架构
所谓MTV就是数据模型(M)-前端界面(T)-调度控制器(V).
用户在浏览器发起一个请求通过V对M和T进行连接用户通过T(界面)对服务器进行访问发送请求T把请求传给V(调度)V调用M(数据模型)获取数据把数据给模板T进行渲染然后再把渲染后的模板返回给用户。
MTV框架是一种 把业务逻辑、数据、界面显示分离而设计创建的Web应用程序的开发模式。在web开发中应该尽量使代码高内聚低耦合这样利于代码复用、维护、管理MTV框架就是这样分层的。
M对应于Model即数据模型数据层用于管理数据库对数据进行增删改查
T对应于视图template(即T),模板用于管理html文件呈现给用户的界面
V对应于控制层views(即V),视图调度器用于访问数据层获取数据把数据调度给模板进行渲染把渲染的结果返回给客户端。
MTV框架的大体流程是
1、客户端发起请求路由对客户发起的请求进行统一处理和分发给控制层
2、控制层获取请求访问数据层
3、数据层对数据进行增删改查把数据返回给控制层
4、控制层获取数据把数据调度给视图(模板)
5、视图(模板)对数据进行渲染形成html文件返回给控制层
6、控制层把渲染后的视图(模板)返回给客户端。三、开发流程
1、环境搭建创建虚拟环境、创建数据库
2、创建数据库模型用户表、图书标签表、用户选择类型表用户解决推荐算法冷启动问题、借书清单表、购书清单表、评分表、收藏表、点赞表、评论表、推荐反馈表。然后数据迁移把表映射到数据库中。
3、爬取数据然后把数据经过预处理存放到数据库中。
4、编写用户界面框架完成各种功能点击响应事件
5、编写后台管理文件管理数据。
6、系统测试检验完成的功能。
具体开发过程可以查看【开发文档.pdf】
四、主要功能
1、前台用户
启动项目后浏览器输入127.0.0.1:8000即可打开前端界面。
登录注册、修改密码、搜索、全部书籍、点赞收藏、评论评分、新书速递、热门书籍、图书分类、猜你喜欢、借阅书籍、购买书籍、购物车、个人中心。
1.1、注册界面 支付密码用于用户在购买书籍时模拟支付场景。
1.2、登录界面 1.3、全部书籍界面 书籍按照浏览量进行排序。
点击图片可以进去查看具体的书籍内容。
用户可以通过标题、作者进行搜索相关图书。
1.4、具体书籍 具体书籍界面有书籍的封面、标题、作者、简介、评分信息、点赞、收藏信息、评论信息。低下还有推荐的三本图书。
1.5、新书速递
按照图书上架时间返回书籍。
1.6、热门书籍
按照收藏图书人数返回书籍。
1.7、图书分类 根据不同的标签过滤显示该类型书籍。
1.8、猜你喜欢
猜你喜欢是根据用户推荐不同的书籍。
用户A刚注册登录时由于用户A没有对书籍进行过评分无法与其他用户、图书产生联系所以只推荐用户A注册时选择的喜欢类型的图书。
当用户A对图书进行评分后后台会根据余弦相似度计算出跟该用户最相似的用户B然后把推荐的用户B喜欢的图书推荐给用户A。
1.9、借阅书籍 用户可以在平台上进行图书借阅可以立即取走也可以填写收货地址、电话号码进行邮寄。用户需要在规定的时间内归还如果预期则扣除信誉值当信誉值为0时将无法进行图书借阅。
1.20、购买书籍、购物车 用户可以购买书籍并立即取走也可添加到购物车也可进行邮寄填写地址、电话、支付密码模拟支付后即可。
1.21、个人中心 可以修改密码、修改喜欢的图书类型、查看我的借阅、点赞、收藏、评论、评分。
2、后台管理
启动项目后浏览器输入127.0.0.1:8000\xadmin可打开后台界面。
可以通过后台管理数据上架借阅书籍、购买书籍、物流发货等。
五、算法说明
1、基于用户协同过滤推荐算法
基于用户的协同过滤算法就是把和你相似的用户喜欢的东西推荐给你。
协同过滤利用用户的群体行为来计算用户的相关性。计算用户相关性的时候我们就是通过对比他们对相同物品打分的相关度来计算的
举例
----------------------------------------| X | Y | Z | R |
----------------------------------------a | 5 | 4 | 1 | 5 |
----------------------------------------b | 4 | 3 | 1 | ? |
----------------------------------------c | 2 | 2 | 5 | 1 |
----------------------------------------a用户给X物品打了5分给Y打了4分给Z打了1分
b用户给X物品打了4分给Y打了3分给Z打了1分
c用户给X物品打了2分给Y打了2分给Z打了5分
那么很容易看到a用户和b用户非常相似但是b用户没有看过R物品那么我们就可以把和b用户很相似的a用户打分很高的R物品推荐给b用户这就是基于用户的协同过滤。
相关性
基于用户的协同过滤需要比较用户间的相关性那么如何计算这个相关性呢
我们可以利用两个用户对于相同物品的评分来计算相关性。
对于ab用户而言他们都对XYZ物品进行了评价那么a我们可以表示为(5,4,1)b可以表示为(4,3,1)经典的算法是把他们看作是两个向量并计算两个向量间的夹角或者说计算向量夹角的cosine值来比较于是a和b的相关性为
这个值介于1到1之间越大说明相关性越大。
皮尔逊相关系数
到这里似乎cosine还是不错的但是考虑这么个问题用于用户间的差异d用户可能喜欢打高分e用户喜欢打低分f用户喜欢乱打分。
--------------------------------| X | Y | Z |
--------------------------------d | 4 | 4 | 5 |
--------------------------------e | 1 | 1 | 2 |
--------------------------------f | 4 | 1 | 5 |
--------------------------------很显然用户d和e对于作品评价的趋势是一样的所以应该认为d和e更相似但是用cosine计算出来的只能是d和f更相似。于是就有皮尔逊相关系数pearson correlation coefficient。
pearson其实做的事情就是先把两个向量都减去他们的平均值然后再计算cosine值。
等价公式
其中E是数学期望N表示变量取值的个数。
示例代码传送门
2、基于物品协同过滤推荐算法
2.1、基于⽤户的协同过滤算法UserCF
该算法利⽤⽤户之间的相似性来推荐⽤户感兴趣的信息个⼈通过合作的机制给予信息相当程度的回应如评分并记录下来以达到过滤的⽬的进⽽帮助别⼈筛选信息回应不⼀定局限于特别感兴趣的特别不感兴趣信息的纪录也相当重要。
但两个问题⼀个是稀疏性即在系统使⽤初期由于系统资源还未获得⾜够多的评价很难利⽤这些评价来发现相似的⽤户。
另⼀个是可扩展性随着系统⽤户和资源的增多系统的性能会越来越差。
算法讲解传送门
2.2、基于物品的协同过滤算法ItemCF
内容过滤根据信息资源与⽤户兴趣的相似性来推荐商品通过计算⽤户兴趣模型和商品特征向量之间的向量相似性主动将相似度⾼的商品发送给该模型的客户。
由于每个客户都独⽴操作拥有独⽴的特征向量不需要考虑别的⽤户的兴趣不存在评价级别多少的问题能推荐新的项⽬或者是冷门的项⽬。
这些优点使得基于内容过滤的推荐系统不受冷启动和稀疏问题的影响。
2.3、算法核心
通过分析用户行为记录评分、购买、点击、浏览等行为来计算两个物品的相似度同时喜欢物品A和物品B的用户数越多就认为物品A和物品B越相似。
2.4、流程
1.构建⽤户–物品的对应表
2.构建物品与物品的关系矩阵(同现矩阵)
3.通过求余弦向量夹角计算物品之间的相似度即计算相似矩阵
4.根据⽤户的历史记录给⽤户推荐物品2.5、构建用户与物品的对应关系表
如下表⾏表⽰⽤户列表⽰物品(电影)数字表⽰⽤户喜欢该物品的程度(评分)
用户\电影唐伯虎点秋香逃学威龙1追龙他人笑我太疯癫喜欢你暗战A512B423.5C24D43E43
2.6、构建物品与物品的关系矩阵(共现矩阵)
共现矩阵C表⽰同时喜欢两个物品的⽤户数是根据⽤户物品对应关系表计算出来的。
如根据上⾯的⽤户物品关系表可以计算出如下的共现矩阵C:
电影\电影唐伯虎点秋香逃学威龙1追龙他人笑我太疯癫喜欢你暗战唐伯虎点秋香1111逃学威龙1112追龙11他人笑我太疯癫2喜欢你12暗战12
2.7、计算相似矩阵
两个物品之间的相似度如何计算
设|N(i)|表⽰喜欢物品i的⽤户数|N(i)⋂N(j)|表⽰同时喜欢物品ij的⽤户数则物品i与物品j的相似度为 利用公式计算物品之间的余弦相似矩阵如下
电影\电影唐伯虎点秋香逃学威龙1追龙他人笑我太疯癫喜欢你暗战唐伯虎点秋香0.410.70.50.5逃学威龙10.410.580.82追龙0.710.58他人笑我太疯癫0.82喜欢你0.51.0暗战0.51.0
2.8、给用户推荐物品
根据⽤户的历史记录给⽤户推荐物品。
最终推荐的是什么物品是由预测兴趣度决定的。
物品j预测兴趣度⽤户喜欢的物品i的兴趣度×物品i和物品j的相似度
例如A⽤户喜欢唐伯虎点秋香逃学威龙1追龙 兴趣度分别为5,1,2
在用户A的评分电影列表中只有唐伯虎点秋香与喜欢你有相似度推荐喜欢你的预测兴趣度5 x 0.5 2.5
在用户A的评分电影列表中只有唐伯虎点秋香与暗战有相似度推荐暗战的预测兴趣度5 x 0.5 2.5
在用户A的评分电影列表中只有逃学威龙1与他人笑我太疯癫有相似度推荐他人笑我太疯癫的预测兴趣度1 x 0.82 0.82
3、基于机器学习K-means聚类推荐算法
原理
从数据库中
1、首先获取书籍类别
2、获取用户注册时勾选喜欢的类别勾选的为1否则为0得到一个样本数据
例[1,0,1,0,0,...][1,1,1,0,1,...][0,0,1,0,0,...]
3、使用k-mean算法把用户分成6类【用户模型】
4、获取6类的【用户模型】的质心比如[1,0,1,0,0,...]
把为1的类别找出来然后获取该类别排行前3的书籍组成一个推荐列表推荐给用户
5、类别书籍排行按收藏量来排序
6、用户购买书籍行为会动态更新样本数据示例代码
六、程序文件说明 book是子应用名称migrations是数据迁移文件把数据模型映射到数据库中templatetags是定义界面模板语法__init__.py是导包文件adminx.py存放的是后台管理代码apps.py是子应用说明forms.py是登录注册表单定义models.py是数据模型test.py是测试文件urls.py是路由表views.py是控制层调度器。
book_manager是项目应用管理起始文件夹settings.py是项目数据库静态文件等配置urls.py是总路由表。
media保存的是媒体文件。
static保存的是界面的静态文件css,html,js图片等。
template保存的是前端界面模板代码。
book-k-mean.dat是k-means聚类后的模型。
manage.py是项目启动管理器。
recommend_books.py是推荐算法代码。
requirements.txt保存的是第三方库文件。
spider_get_data.py是爬虫代码。
七、数据库表说明
数据库表如下 auth_group、auth_group_permissions、auth_permissions是后台管理的组、权限表。
auth_user、auth_user_group、auth_user_groups、auth_user_user_permissions是后台管理用户数据表。
book是图书表。
book_tags是图书标签表。
borrow_list是图书借阅表。
collect_book是图书收藏表。
comment_book是图书评论表。
django_admin_log是原始后台管理日志表。
django_content_type是django应用内容表。
django_migrations是数据迁移文件表。
django_session是django缓存表。
like_book是图书点赞表。
like_recommend_book是图书推荐反馈表。
purchase_list是购物车表
rate_book是评分表。
tags是图书标签表。
user是用户表。
user_select_types是用户注册时选择喜欢的图书类型表。
user_select_types_category是一个多对多表存放的是图书标签id与user_select_types表id的对应关系。
xadmin_bookmark是是后台管理的标签表。
xadmin_log是后台管理操作日志表。
xadmin_usersettings是后台管理用户设置表。
xadmin_userwidget是后台管理小组件表。
用内容表。
django_migrations是数据迁移文件表。
django_session是django缓存表。
like_book是图书点赞表。
like_recommend_book是图书推荐反馈表。
purchase_list是购物车表
rate_book是评分表。
tags是图书标签表。
user是用户表。
user_select_types是用户注册时选择喜欢的图书类型表。
user_select_types_category是一个多对多表存放的是图书标签id与user_select_types表id的对应关系。
xadmin_bookmark是是后台管理的标签表。
xadmin_log是后台管理操作日志表。
xadmin_usersettings是后台管理用户设置表。
xadmin_userwidget是后台管理小组件表。
