南京邮电大学2014届本科生毕业设计（论文）
表2.1 主要推荐算法对比 推荐方法 基于内容推荐 优点 推荐写过直观，容易解释； 不需要领域知识； 协同过滤推荐 缺点 复杂属性不好处理；新用户问题； 难以挖掘新兴趣； 发现新兴趣；不需要领域知识； 稀疏问题；新用户问题； 推荐个性化、自动化程度高； 可扩展性问题； 能处理复杂的非结构化对象； 基于规则推荐 能发现新兴趣； 不需要领域知识； 规则抽取难，耗时； 产品名统一性问题； 个性化程度低； 基于效用推荐 无冷启动和稀疏问题； 对用户偏好变化敏感； 能考虑非产品特征； 用户必须输入效用函数； 推荐是静态的，灵活性差； 属性重叠问题； 基于知识推荐 能把用户需求映射到产品上； 知识难获得； 能考虑非产品属性； 推荐是静态的；
2.2基于内容的推荐算法
根据基于内容推荐原理，生成推荐的过程主要分为三步：1.提取特征信息。为项目提取出来一些特征向量来表示该项目。2.用户配置文件生成。由用户过去喜欢项目的特征，来推算用户的喜好特征。3.产生推荐。计算出用户配置文件和项目特征向量间的相似度，推荐相似度大的项目。
一．特征向量的提取
在获取信息时，最常用的方法就是TF—IDF方法。该方法是找到出现次数最多的词。但如果一个词在所有的文章中出现次数的都比较多，那么这个词很大程度上不能反映这篇文章的内容；而某个词比较少见，但是在这篇文章中出现多次，那么它就很大程度上可以反映这篇文章的内容，即我们所需要的关键词。我们需要加一个调整系数，较常见词赋予较小的权重，较少见的词赋予较大的权重。这个权重叫做“逆文档频率”（IDF）。知道了“词频”（TF）和“逆文档频率”（IDF）以后，将这两个值相乘，就得到了一个词的TF-IDF值。某个词对文章的重要性越高，它的TF-IDF值就越大。实现如下：
设有N 个文本文件, 关键词ki 在ni 个文件中出现, 设f ij 为关键词k i 在文件d j 中出现的次数, 那么ki 在d j 中的词频T Fij 定义为：
TFij?fijmaxzfzj (2.1)
其中分母的最大值可以通过计算dj 中所有关键词k z 的频率得到。在许多文件中同
- 7 -
南京邮电大学2014届本科生毕业设计（论文）
时出现的关键词对于表示文件的特性， 区分文件的关联性是没有贡献的. 因此T Fij 与这个关键词在文件中出现数的逆( ID Fi ) 一起使用， ID Fi 的定义为：
IDFi?logN (2.2) ni那么, 一个文件dj 可以表示为向量d j = ( w1 j ,w2 j , ?, wkj ) , 其中
wij?fijmaxzfzjlogN (2.3) ni
二．用户配置文件的建立
在学习用户喜好的配置文件时，也有多种方法。 1.最近邻方法（k-Nearest Neighbor，简称kNN）。对于一个新的item，最近邻方法首先找用户u已经评判过并与此新item最相似的k个item，然后依据用户u对这k个item的喜好程度来判断其对此新item的喜好程度。 2.Rocchio算法。 Rocchio算法是信息检索中处理相关反馈（Relevance Feedback）的一个著名算法。该算法获得用户u的profilewu的方法为： 1wu???|Ir|???wj?Ir1wj?????|Inr|?wk?Inr??w?k （2.4） 其中wj表示item j的属性，Ir与Inr分别表示已知的用户u喜欢与不喜欢的item集合；而?与?为正负反馈的权重，它们的值由系统给定。在获得wu后，对于某个 给定的item j，我们可以使用wu与wj的相似度来代表用户u对j的喜好程度。Rocchio算法的一个好处是wu可以根据用户的反馈实时更新，其更新代价很小。 3. 决策树算法（Decision Tree，简称DT）。当item的属性较少而且是结构化属性的时候，决策树可以产生简单直观、容易让人理解的结果。而且可以把决策树的决策过程展示给用户u，告诉他为什么这些item会被推荐。
4. 线性分类算法（Linear Classifer，简称LC）。以学习用户u的分类模型为例。
wj表示item j的属性向量，那么LC尝试在wj空间中找平面cu?wj，使得此平面
????????尽量分开用户u喜欢与不喜欢的item。其中的cu就是我们要学习的参数了。最常用的学习cu的方法就是梯度下降法了，其更新过程如下：
?(t?1)??cu:?cu??(cu?wj?yuj)wj （2.5）
- 8 -
?(t)?(t)??5. 朴素贝叶斯算法（Naive Bayes，简称NB） 现在计算配置文件问题中包括
南京邮电大学2014届本科生毕业设计（论文）
两个类别：用户u喜欢的item，以及他不喜欢的item。在给定一个item的类别后，其各个属性的取值概率互相独立。我们可以利用用户u的历史喜好数据训练NB，之后再用训练好的NB对给定的item做分类。
在本系统中，我采用统计用户曾经操作过的图书的关键字，进行词频统计，统计出来的结果取前10个词来建立用户的配置文件。
三．相似度算法
最后一步的推荐产生，如果上一步配置文件中使用的是分类模型，那么我们只要把模型预测的用户最可能感兴趣的n个item作为推荐返回给用户即可。而如果配置文件中使用的直接学习用户属性的方法（如Rocchio算法），那么只要把与用户属性最相关的n个item作为推荐返回给用户即可。如果需要计算相似度，常用的相似度的计算方法有欧氏距离，夹角余弦，汉明距离，杰卡德距离和杰卡德相似系数等。根据文献资料调研得知，在推荐系统中计算相似性一般采用余弦距离或者杰卡德系数。下面介绍两种计算方法。 1.余弦夹角
在二维空间中向量A(x1,y1)与向量B(x2,y2)的夹角余弦公式为：
cos??x1x2?y1y2x1?y122x2?y222 （2.6）
类似的，对于两个n维样本点a(x11,x12,…,x1n)和b(x21,x22,…,x2n)，可以使用类似于夹角余弦的概念来衡量它们间的相似程度。即：
ncos???xk?11kx2k?xk?1n21k?xk?1n （2.7）
22k夹角余弦取值范围为[-1,1]。夹角余弦越大表示两个向量的夹角越小，夹角余弦越小表示两向量的夹角越大。当两个向量的方向重合时夹角余弦取最大值1，当两个向量的方向完全相反夹角余弦取最小值-1。
2.杰卡德相似系数
杰卡德相似系数是衡量两个集合的相似度一种指标。两个集合A和B的交集元素在A，B的并集中所占的比例，称为两个集合的杰卡德相似系数，用符号J(A,B)表示。
J(A,B)?|A?B| （2.8）
|A?B|A与样本B是两个n维
将杰卡德相似系数用在衡量样本的相似度上时，样本
向量，而且所有维度的取值都是0或1。例如：A(0111)和B(1011)。我们将样本看成是一个集合，1表示集合包含该元素，0表示集合不包含该元素。p ：样本A与
- 9 -
南京邮电大学2014届本科生毕业设计（论文）
B都是1的维度的个数；q ：样本A是1，样本B是0的维度的个数；r ：样本A是0，样本B是1的维度的个数；s ：样本A与B都是0的维度的个数。那么样本A与B的杰卡德相似系数可以表示为：
J(A,B)?p （2.9）
p?q?r分母之所以不加s的原因在于对于杰卡德相似算法来说，它处理的都是非对称二元变量。非对称的意思是指状态的两个输出不是同等重要的，杰卡德相似度算法没有考虑向量中潜在数值的大小，而是简单的处理为0和1，不过，做了这样的处理之后，杰卡德方法的计算效率肯定是比较高的，毕竟只需要做集合操作。并且本系统对图书的内容进行分解出来的关键词很多，如果在计算相似度时采用余弦计算，那么对关键词降维是很困难的，采用杰卡德算法避免了这一麻烦。
2.3实现使用的环境工具及技术
一．开发环境
本次实现所用到的开发环境为MyEclipse 8.5，MySql数据库，tomcat。 1.MyEclipse8.5
MyEclipse（MyEclipse Enterprise Workbench ，简称MyEclipse）企业级工作平台，利用它我们可以在数据库和J2EE的开发、发布，以及应用程序服务器的整合方面极大的提高工作效率。MyEclipse的功能非常强大，支持也十分广泛，尤其是对各种开源产品的支持十分不错。它是功能丰富的J2EE集成开发环境，包括了完备的编码、调试、测试和发布功能，完整支持HTML，Struts，JSF，CSS，Javascript,，SQL，Hibernate。同时支持AJAX，Hibernate，JSF，Struts，Spring， EJB3，JSP，JDBC，JavaServlet和数据库链接工具等多项功能。
2.MySql数据库
MySql是一个快速、多线程、多用户的SQL数据库服务器。其优点有： (1)MySql的核心程序采用完全的多线程编程。线程是轻量级的进程，它可以灵活地为用户提供服务，而不过多的系统资源。用多线程和C语言实现的MySql能很容易充分利用CPU。
(2)MySql可运行在不同的操作系统下。
(3)MySql有一个非常灵活而且安全的权限和口令系统。当客户与MySql服务器连接时，他们之间所有的口令传送被加密，而且MySql支持主机认证。 (4)MySql拥有一个非常快速而且稳定的基于线程的内存分配系统，可以持续使用面不必担心其稳定性。事实上，MySql的稳定性足以应付一个超大规模的数据库。
3.Tomcat
Tomcat 服务器是一个免费的开放源代码的Web 应用服务器，属于轻量级应
- 10 -
相关推荐：
loading