基于内容的推荐算法（推荐系统）（二）

距离上次更新已经不知道有多久了，因为过几日就是中期答辩了，为了不太监开始坚持把这个项目往后做一做。

这次我们要做的是什么呢，要先搭建整个开发环境，目前用到的如下：mysql,idea,IKAnalyzer2012_u6(一个开源的分词包，完全够用了)

这次我计划先完成最简单的一个推荐系统的设计，目的只为了完成通过余弦相似性来计算文本的相似性，提取特征值采用数据库中最好拆解分析的“原料”列

余弦相似度和tf-idf的参考文章 http://www.ruanyifeng.com/blog/2013/03/cosine_similarity.html

 IKAnalyzer 下载地址http://lxw1234.com/archives/2015/07/422.htm

需要用到的jar包：

上面两个在上面那个下载的文件夹里，导入即可，jdbc的java和mysql的连接用的jar包自己搜着下载吧。

用到的数据库：已经放到我百度云里了https://pan.baidu.com/s/1nv4klM5，格式是mdb也就是微软的access，我使用的是navicat将其转换为mysql的。

数据格式：

我们先上一个现在达到的最终效果

接下来讲如何实现。

首先我设计了三个类，分别是JDBC类用于连接数据库， similarity类用于计算相似度，split类用来完成分词。

先将最重要的部分，similarity类是如何工作的。

我们采用默认的分词方法，随便分一行中的原料列看看效果

菠菜|400克|熟火腿|20克|鸡蛋|50克|海米|20克|熟|冬笋|50克|水|发|冬菇|50克|胡萝卜|50克|

里面有两个方法，getSimilarDegree计算相似度，delUseless是将无用的“50克”这样的删掉。

下面我们举一个实际的例子：

鲜|豆腐|香菇|黑木耳|西红柿|黄瓜|蛋清|

豆腐|小葱| 

上面是两样菜谱的原料分词并且去除无用词后，我们怎么算他们两个的相似度呢？

使用余弦的算法我们都很清楚公式，

这个夹角越小，也就是上面的值越逼近1说明两者相似度越高。

注意我们要怎么样构造这个向量空间呢：

Map, int[]> vectorSpace = new HashMap, int[]>();

这是重点，这个map的key是上面分出来的词，后面value是长度为2的int型数组，上面的的例子转换到这个向量空间就是：

鲜	1	0
豆腐	1	1
香菇	1	0
黑木耳	1	0
西红柿	1	0
黄瓜	1	0
蛋清	1	0
小葱	0	1

然后计算余弦相似度，即可。

下面是similarity类的代码：

package com.company;


import java.util.ArrayList;
import java.util.HashMap;
import java.util.Iterator;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
 * Created by 阳 on 2016/12/5.
 */
public class similarity {
    /*
    * 计算两个字符串(英文字符)的相似度，简单的余弦计算，未添权重
    */
    public double getSimilarDegree(ArrayList str1, ArrayList str2)
    {
        //创建向量空间模型，使用map实现，主键为词项，值为长度为2的数组，存放着对应词项在字符串中的出现次数
        Map vectorSpace = new HashMap();
        int[] itemCountArray = null;//为了避免频繁产生局部变量，所以将itemCountArray声明在此

        //动态数组转为数组

        int size1=str1.size();
        String[] strArray1 = (String[])str1.toArray(new String[size1]);

        for(int i=0; i

最后这个正则要多说几句：

\un	匹配 n，其中 n 是以四位十六进制数表示的 Unicode 字符。例如，\u00A9 匹配版权符号 (©)。

Unicode中0-9：\u0030-\u0039  

还有一种更简单的方法，^\\pN

就是上面这种，\p 其中的小写 p 是 property 的意思，表示 Unicode 属性，用于 Unicode 正表达式的前缀。

大写N代表 Unicode 字符集七个字符属性之一数字，再用^取头部，

通过这个正则就可以过滤掉“100克”这样的无用单词了。

然后是split，基本上就是照着给的例子写一个就能用：

package com.company;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.wltea.analyzer.lucene.IKAnalyzer;

import java.io.IOException;
import java.io.StringReader;
import java.util.ArrayList;

/**
 * Created by 阳 on 2016/12/5.
 */
public class split {
    similarity sim=new similarity();
    //体现出分词效果
    public void splitWord(String s) throws IOException {
        String text = s;
        Analyzer analyzer = new IKAnalyzer(true);// 构造函数当为 true时，分词器采用智能切分
        StringReader reader = new StringReader(text);
        TokenStream ts = analyzer.tokenStream("", reader);
        CharTermAttribute term=ts.getAttribute(CharTermAttribute.class);
        while(ts.incrementToken()){
            if(!sim.delUseless(term.toString())){
                System.out.print(term.toString() + "|");
            }
        }
        System.out.println();
        analyzer.close();
        reader.close();
    }
    //将分词结果存到数组中去,在这里面处理掉无用词
    public ArrayList splitWordtoArr(String s) throws IOException {
        String text = s;
        ArrayList List = new ArrayList();
        Analyzer analyzer = new IKAnalyzer(true);// 构造函数当为 true时,分词器采用智能切分
        StringReader reader = new StringReader(text);
        TokenStream ts = analyzer.tokenStream("", reader);
        CharTermAttribute term=ts.getAttribute(CharTermAttribute.class);
        while(ts.incrementToken()){
            if(!sim.delUseless(term.toString())){
                List.add(term.toString());
            }
        }
        analyzer.close();
        reader.close();
        return List;
    }
}

然后放上最没有技术含量的jdbc：

package com.company;
import java.sql.*;
import java.util.ArrayList;
import java.util.Properties;

/**
 * Created by sunyang on 16/9/25.
 */
public class JDBC {
    // JDBC driver name and database URL
    static final String JDBC_DRIVER = "com.mysql.jdbc.Driver";
    static final String DB_URL = "jdbc:mysql://localhost/recipe";

    //  Database credentials
    static final String USER = "root";
    static final String PASS = "";

    public static void main(String[] args) {
        /*
        新建split对象，然后用jdbc读取数据用splitWrod处理
         */
        split sw=new split();
        similarity sim=new similarity();

        //初始化jdbc
        Connection conn = null;
        Statement stmt = null;
        try{
            //STEP 2: Register JDBC driver
            Class.forName("com.mysql.jdbc.Driver");

            //STEP 3: Open a connection
            
            Properties props = new Properties();
            props.setProperty("characterEncoding", "utf-8");

            System.out.println("Connecting to database...");
            conn = DriverManager.getConnection(DB_URL,USER,PASS);

            //STEP 4: Execute a query
            System.out.println("Creating statement...");
            stmt = conn.createStatement();
            String sql;
//            sql = "SELECT count(*) FROM recipe_copy";
            sql="SELECT `菜谱`.`原料` FROM `菜谱` WHERE `菜谱`.`菜谱ID`=969 OR `菜谱`.`菜谱ID`=1000";
            ResultSet rs = stmt.executeQuery(sql);

            //STEP 5: Extract data from result set
            ArrayList[] result=new ArrayList[2];//暂存每条数据分词后的结果，用于传入计算相似度
            int k=0;
            while(rs.next()){
                //Retrieve by column name
                String handle = rs.getString("原料");

                //Display values
                sw.splitWord(handle);
                result[k]=sw.splitWordtoArr(handle);
                k++;
            }
            System.out.println(sim.getSimilarDegree(result[0],result[1]));//计算相似度
            //STEP 6: Clean-up environment
            rs.close();
            stmt.close();
            conn.close();
        }catch(SQLException se){
            //Handle errors for JDBC
            se.printStackTrace();
        }catch(Exception e){
            //Handle errors for Class.forName
            e.printStackTrace();
        }finally{
            //finally block used to close resources
            try{
                if(stmt!=null)
                    stmt.close();
            }catch(SQLException se2){
            }// nothing we can do
            try{
                if(conn!=null)
                    conn.close();
            }catch(SQLException se){
                se.printStackTrace();
            }//end finally try
        }//end try

    }//end main
}//end FirstExample

目前先做到这这一步，往后就是考虑对整个菜谱的相似度计算的问题。以及如何对个人生成个性化的推荐（也就是如何刻画每个人人的人像）