Libimseti推荐系统

技术：easyUI、jQuery、Spring、Struts、Hibernate、Mahout、MySQL

本Libimseti推荐系统使用数据、代码参考《Mahout in action》第五章内容。

系统可以从这里下载：libimesti推荐系统。

1. 系统部署

1.1 数据库

（1）修改Configuration目录中的db.properties中的数据库配置；

（2）从http://www.occamslab.com/petricek/data/libimseticomplete.zip下载所需要的数据，解压后可以看到gender.dat 和ratings.dat文件；

（3）启动工程，自动生成相关表；

（4）在数据库中运行sql目录下sql，导入相关数据；

1.2 公共配置

（1）修改src目录下com.fz.util.Utils中的genderFile和ratingsFile变量为正确文件地址；

2. 系统功能

2.1 Libimseti推荐

启动tomcat，访问http://localhost:8080/rec 即可访问系统主页，如下：

2.1.1 用户评分档案查询

在推荐算法页面点击”查询”按钮，即可根据用户ID输入框里面的用户ID查询用户对其他档案的评分，同时这里把用户的性别和档案的性别一起查出来了。

这里显示使用的是easyUI的datagrid，其后台代码如下：

$('#ratingId').datagrid({
		border:false,
	//	fitColumns:true,
		singleSelect:true,
	//	width:600,
		height:200,
		nowrap:false,
	//	fit:true,
		pagination:true,//分页控件
		pageSize:4,  // 每页记录数，需要和pageList保持倍数关系
		pageList:[4,8,12],
		rownumbers:true,//行号
	//	pagePosition:'bottom',
		url:'rating/rating_getRatingData.action',
		queryParams: {
			uid: userIdValue,
			selectgender:selectGender
		},
		toolbar: "#toolbar",
		columns:[[
			{field:'id',title:'用户ID',width:'50'},
			{field:'gender',title:'用户Gender',width:'80'},
			{field:'itemId',title:'档案ID',width:'120'},
			{field:'pref',title:'档案评分',width:'150'},
			{field:'itemGender',title:'档案Gender',width:'100'},
			{field:'desc',title:'档案描述',width:'200',},
		]]
	});

使用了toolbar，提供“添加”、“修改”和“删除“功能，使用分页组件用于分页显示查询数据；由于用户评分数据和用户性别数据是在两个表中，所以新建了一个中间类UserRating用于组装数据传入前台，代码如下：

public Map<String,Object> getRatingByUId(Integer uId,int rows,int page, char selectgender){
		String hql = "from Rating r where UID="+uId +" order by r.uId,r.itemId";
		String hqlCount ="select count(1) from Rating where UID="+uId;
		String hqlGender = "from Gender where UID="+uId;
		List<Rating> ratings = baseDAO.find(hql,new Object[]{},page,rows);
		List<UserRating> userRatings = new ArrayList<UserRating>();
		
		if(ratings.size()<=0){
			return null;
		}
		
		// 获取用户Gender
	//	List<Gender> gender =genderDAO.find(hqlGender);
		char uGender = genderDAO.find(hqlGender).get(0).getGender();
		char itemGender;
		UserRating ur = null;
		for(Rating rating:ratings){
			ur= new UserRating();
			ur.setId(uId);
			ur.setDesc(rating.getDesc());
			ur.setItemId(rating.getItemId());
			ur.setPref(rating.getPref());
			ur.setGender(uGender);
			// 获取ITEM gender
			hqlGender="from Gender g where UID="+rating.getItemId();
			itemGender =genderDAO.find(hqlGender).get(0).getGender();
			ur.setItemGender(itemGender);
			userRatings.add(ur);
		}
		Map<String ,Object> jsonMap = new HashMap<String,Object>();
		jsonMap.put("total", baseDAO.count(hqlCount));
		jsonMap.put("rows", userRatings);
		return jsonMap;
	}

这里的selectgender变量，本来是在页面添加的一个用于在查询时过滤性别的变量，后面感觉有点麻烦就没做了（性别数据在gender表，分页针对的是rating表）；

2.1.2 用户添加对其他未评分档案数据

用户添加对其他未评分档案数据的页面如下（点击toolbar中的”添加“按钮）：

这里使用的easyUI的window组件，打开页面后根据用户的信息先初始化用户ID和用户性别两个性别，且不可修改，用户需要输入档案ID（必选项）、档案性别和档案描述；

用户输入档案ID的时候，使用ajax实时向后台发送消息，查询用户是否对档案ID已经评分过，如果评分过就进行如图的提示，此功能首先对validatebox进行扩展，然后使用Validator的框架进行验证，代码如下：

// 用户在增加对其他项目评分的时候，需要检查是否该项目用户已经评过分 
$.extend($.fn.validatebox.defaults.rules, {
	hasItem : {
		validator : function(value,param) {
			var uid = $('#uidId').val();
			console.info("value:"+value+",user:"+uid);
			
			return hasItem(uid,value);
		},
		message : '用户已对该项目评过分!'
	}
});

// 检查用户是否对项目评过分
function hasItem(user,item){
	if(isNaN(parseInt(item))){
		return false;
	}
	var boolean =false;
	$.ajax({ // 获取数据
		url : "rating/rating_hasItem.action",
		data : "uid=" + user+"&itemid="+item,
		dataType : "json",
		async:false,
		success : function(data) {
			console.info("用户"+user+"是否对项目"+item+"评分?"+data);
			// 设置
			if(data==false||data=="false"){
				boolean=true;
			}
		}
	});
	return boolean;
}

这样在jsp页面就可以简单的使用下面的代码即可：

<input class="easyui-validatebox" type="text" name="itemid" id="itemidId" style="width:100px" 
						data-options="required:true,
						validType:'hasItem'"/>

2.1.3 用户修改当前档案信息

修改用户当前档案信息界面如下：

其中的用户ID和档案ID是不可修改的；这里弹出的window和添加功能界面的window是一样的，这里在弹出界面的时候修改其title。

2.1.4 删除用户对当前档案数据

删除用户对当前档案数据需要用户进一步确认：

2.1.5 非过滤推荐

在tomcat启动过程中会对推荐系统进行初始化，这样在推荐的时候直接可以使用推荐模型进行推荐，这样推荐的时候就不用等待过多时间；

默认使用过滤推荐，非过滤推荐即不使用用户的gender数据对最后的推荐数据进行过滤；

jquery获取是否过滤推荐的checkbox的状态：

$('#filterId').click(function() {
	    
	    if(this.checked){
	    	filter=true;
	    }else{
	    	filter=false;
	    }
	    console.info("filter:"+filter);
	});

推荐同样使用easyUI的datagrid，其js如下：

$('#recommendId').datagrid({
		border:false,
		singleSelect:true,
		height:180,
		nowrap:false,
		pagination:true,//分页控件
		pageSize:4,  // 每页记录数，需要和pageList保持倍数关系
		pageList:[4,8,12],
		rownumbers:true,//行号
		url:'rec/rec_getRecommendData.action',
		queryParams: {
			uid: userIdValue,
			filter:filter
		},
		columns:[[
			{field:'uid',title:'用户ID',width:'50'},
			{field:'ugender',title:'用户Gender',width:'80'},
			{field:'itemid',title:'档案ID',width:'120'},
			{field:'pref',title:'档案评分',width:'150'},
			{field:'itemgender',title:'档案Gender',width:'100'},
		]]
	
	});

这里传入后台的参数中包括filter和uid，filter即是否使用过滤；

2.1.6 过滤推荐

首先，这里使用Mahout的基于用户的协同过滤算法进行推荐（非MR方式）；

其次，这里的过滤规则如下：首先计算出用户评价过的档案中的性别的较大值，比如M（men）（即对哪类性别的档案评分比较多），然后在对用户进行推荐的可能档案中不对非M的进行计算，直接去掉，这样在最后推荐的时候就不会出现非M性别的档案了。

推荐使用Mahout的基于用户的协同过滤算法，同时在《Mahout in action》中对这个代码进行了包装，代码如下：

package com.fz.service;

import java.io.File;
import java.io.IOException;
import java.util.ArrayList;
import java.util.Collection;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import javax.annotation.Resource;

import org.apache.mahout.cf.taste.common.Refreshable;
import org.apache.mahout.cf.taste.common.TasteException;
import org.apache.mahout.cf.taste.impl.common.FastIDSet;
import org.apache.mahout.cf.taste.impl.model.file.FileDataModel;
import org.apache.mahout.cf.taste.impl.neighborhood.NearestNUserNeighborhood;
import org.apache.mahout.cf.taste.impl.recommender.GenericUserBasedRecommender;
import org.apache.mahout.cf.taste.impl.similarity.EuclideanDistanceSimilarity;
import org.apache.mahout.cf.taste.model.DataModel;
import org.apache.mahout.cf.taste.neighborhood.UserNeighborhood;
import org.apache.mahout.cf.taste.recommender.IDRescorer;
import org.apache.mahout.cf.taste.recommender.RecommendedItem;
import org.apache.mahout.cf.taste.recommender.Recommender;
import org.apache.mahout.cf.taste.similarity.UserSimilarity;
import org.springframework.stereotype.Service;

import com.fz.dao.BaseDAO;
import com.fz.model.Gender;
import com.fz.model.RecommendRating;
import com.fz.util.GenderRescorer;
import com.fz.util.Utils;

/**
 * libimseti 推荐
 * 使用《Mahout in action 》第五章代码
 * 使用MySQL数据库作为数据源，则算法很慢
 * @author fansy
 *
 */
@Service("recommend")
public class LibimsetiRecommender implements Recommender {
	private  Recommender delegate;
	private DataModel model;
	private FastIDSet men;
	private FastIDSet women;
	private FastIDSet usersRateMoreMen;
	private FastIDSet usersRateLessMen;
	@Resource
	private BaseDAO<Gender> genderDAO;
	
	private boolean filter=true;
	/**
	 * 从数据库中获取DataModel
	 * @return
	 * @throws IOException 
	 * @throws TasteException 
	 * @throws NumberFormatException 
	 */
	
	public LibimsetiRecommender() throws NumberFormatException, TasteException, IOException{
		this(localDataModel());
	}
	private static  DataModel localDataModel() throws IOException {
		
		FileDataModel dataModel = new FileDataModel(new File(Utils.ratingsFile));
		return dataModel;
	}

	public LibimsetiRecommender(DataModel model) throws TasteException, NumberFormatException, IOException{
	
		UserSimilarity similarity = new EuclideanDistanceSimilarity(model);
		UserNeighborhood neighborhood =
				new NearestNUserNeighborhood(4,similarity,model);// 增大n值可以获得更多推荐
		delegate =
				new GenericUserBasedRecommender(model,neighborhood,similarity);
		this.model=model;
		FastIDSet[] menWomen = GenderRescorer.parseMenWomen(new File(Utils.genderFile));
		men = menWomen[0];
		women = menWomen[1];
		usersRateMoreMen = new FastIDSet(50000);
		usersRateLessMen = new FastIDSet(50000);
	}
	
	@Override
	public void refresh(Collection<Refreshable> alreadyRefreshed) {
		delegate.refresh(alreadyRefreshed);
	}

	@Override
	public List<RecommendedItem> recommend(long userID, int howMany)
			throws TasteException {
		IDRescorer rescorer= null;
		if(filter){
			rescorer=new GenderRescorer(men,women,usersRateMoreMen,usersRateLessMen,userID,model);
		}
		return delegate.recommend(userID, howMany, rescorer);
	}
	
	/**
	 * 推荐整合
	 * @throws TasteException 
	 */
	public Map<String, Object> recommend(long userID,int rows,int page,boolean filter) throws TasteException{
		this.filter=filter;
		String gHql = "from Gender g where g.uId=?";
		List<RecommendedItem> recommend = recommend(userID,20);
		Map<String ,Object> jsonMap = new HashMap<String,Object>();
		List<RecommendRating> tmp = new ArrayList<RecommendRating>();
		RecommendRating rating =null;
		if(recommend.size()<=0){
			 rating = new RecommendRating();
			 rating.setUid(-1);
			rating.setUgender('U');
			rating.setItemid(-1);
			rating.setItemgender('U');
			rating.setPref(-1);
			tmp.add(rating);
			jsonMap.put("total", recommend.size());
			jsonMap.put("rows", tmp);
			return jsonMap;
		}
		List<RecommendRating> recommendRatings = new ArrayList<RecommendRating>();
		char uGender = genderDAO.get(gHql, new Object[]{(int)userID}).getGender();
		
		for(RecommendedItem re:recommend){
			rating = new RecommendRating();
			rating.setUid(userID);
			rating.setUgender(uGender);
			rating.setItemid(re.getItemID());
			rating.setItemgender(genderDAO.get(gHql, new Object[]{(int)re.getItemID()}).getGender());
			rating.setPref(re.getValue());
			recommendRatings.add(rating);
		}
		
		for(int i=(page-1)*rows;i<page*rows&&i<recommend.size();i++){
			tmp.add(recommendRatings.get(i));
		}
		jsonMap.put("total", recommend.size());
		jsonMap.put("rows", tmp);
		return jsonMap;
	}

	@Override
	public List<RecommendedItem> recommend(long userID, int howMany,
			boolean includeKnownItems) throws TasteException {
		return delegate.recommend(userID, howMany, includeKnownItems);
	}

	@Override
	public List<RecommendedItem> recommend(long userID, int howMany,
			IDRescorer rescorer) throws TasteException {
		return delegate.recommend(userID, howMany, rescorer);
	}

	@Override
	public List<RecommendedItem> recommend(long userID, int howMany,
			IDRescorer rescorer, boolean includeKnownItems)
			throws TasteException {
		return delegate.recommend(userID, howMany, rescorer, includeKnownItems);
	}

	@Override
	public float estimatePreference(long userID, long itemID)
			throws TasteException {
		IDRescorer rescorer= new GenderRescorer(men,women,
				usersRateMoreMen,usersRateLessMen,userID,model);
		return (float)rescorer.rescore(userID, itemID);
	}

	@Override
	public void setPreference(long userID, long itemID, float value)
			throws TasteException {
		delegate.setPreference(userID, itemID, value);
	}

	@Override
	public void removePreference(long userID, long itemID)
			throws TasteException {

		delegate.removePreference(userID, itemID);
	}

	@Override
	public DataModel getDataModel() {
		return delegate.getDataModel();
	}

	public Recommender getDelegate() {
		return delegate;
	}

	public void setDelegate(Recommender delegate) {
		this.delegate = delegate;
	}

	public DataModel getModel() {
		return model;
	}

	public void setModel(DataModel model) {
		this.model = model;
	}

	public FastIDSet getMen() {
		return men;
	}

	public void setMen(FastIDSet men) {
		this.men = men;
	}

	public FastIDSet getWomen() {
		return women;
	}

	public void setWomen(FastIDSet women) {
		this.women = women;
	}

	public FastIDSet getUsersRateMoreMen() {
		return usersRateMoreMen;
	}

	public void setUsersRateMoreMen(FastIDSet usersRateMoreMen) {
		this.usersRateMoreMen = usersRateMoreMen;
	}

	public FastIDSet getUsersRateLessMen() {
		return usersRateLessMen;
	}

	public void setUsersRateLessMen(FastIDSet usersRateLessMen) {
		this.usersRateLessMen = usersRateLessMen;
	}
	public boolean isFilter() {
		return filter;
	}
	public void setFilter(boolean filter) {
		this.filter = filter;
	}
	
}

代码分析：

1. 初始化时首先会调用localDataModel方法，这个方法用于初始化数据模型，我曾试过使用mysqlDataSource做为数据源，但是计算太慢了。

2. 带参数的LibimsetiRecommender构造方法，就是基本的推荐代码了创建UserSimilarity、UserNeighborhood对象，这里的n值（代码中为4）可以根据自己的需要进行调整，原书中为2；同时在这个构造方法中还对gender数据进行了读取，把数据放入内存，方便根据用户ID查询性别。

3. 推荐使用recommend(int userid ,int howmany)即可，这里代码使用的howmany固定为20；同时由于数据需要传入前台，同时考虑到分页，所以写了一个recommend(long userID,int rows,int page,boolean filter)方法，用于进行数据分页处理。

4. 在recommend(int userid,int howmany)中如果使用了过滤，那么就初始化IDRescorer为GenderRescorer，其中GenderRescorer为自定义过滤器，这里需要注意代码清单 Listing5.4 Gender-based rescoring Implementation中的代码有一个地方有问题，原版为：

	public boolean isFiltered(long id) {
		// TODO Auto-generated method stub
		return filterMen? men.contains(id):women.contains(id);
	}

需要改为：

	public boolean isFiltered(long id) {
		// TODO Auto-generated method stub
		return filterMen? (!men.contains(id)):(!women.contains(id));
	}

isFiltered方法其解释为  true to exclude, false otherwise，这个解释和代码是不一样的；

2.1.7 过滤推荐和非过滤推荐对比

比如针对用户ID为8的用户，其过滤推荐为：

这里其实现实的是没有推荐，再看非过滤推荐：

这里可以看到有3个推荐，但是如果对用户ID为8的用户使用非过滤推荐，那么可以看到这个用户可能是GAY，但是从用户8的评分数据来看，其对F（Female）的档案评分比较多，这说明这3个推荐是不合理的，需要过滤，那么过滤推荐就可以过滤掉这三个推荐数据了。

2.1.8 匿名推荐

待更新。

2.2 目录维护

2.2.1 目录修改

点击导航配置Tab，可以看到目录维护的界面：

这里的操作里面的按钮，使用下面的方式生成：

$(function() {
		$('#catalogId')
				.datagrid(
						{
							border : false,
							fitColumns : true,
							singleSelect : true,
							width : 600,
							height : 250,
							nowrap : false,
							fit : true,
							pagination : true,// 分页控件
							pageSize : 4, // 每页记录数，需要和pageList保持倍数关系
							pageList : [ 4, 8, 12 ],
							rownumbers : true,// 行号
							pagePosition : 'top',
							url : 'catalog/catalog_getTreeData.action',
							columns : [ [
									{
										field : 'id',
										title : '节点ID',
										width : '40'
									},
									{
										field : 'text',
										title : '节点名称',
										width : '120'
									},
									{
										field : 'url',
										title : 'URL',
										width : '150'
									},
									{
										field : 'pid',
										title : '父节点ID',
										width : '60'
									},
									{
										field : 'iconCls',
										title : '图标',
										width : '100'
									},
									{
										field : 'opt',
										title : '操作',
										width : '40',
										formatter : function(value, row, index) {

											var btn_edit = '<button type="button"  onclick="update('
													+ row.id + ')">编辑</button>';
											var btn_remove = '<button type="button"  onclick="deleteRow('
													+ row.id + ')">删除</button>';
											return btn_edit + btn_remove;
										}
									} ] ]

						});
		
	});

2.2.1 目录添加

点击添加按钮，可以对目录进行添加，其界面如下：

其中，图标使用combobox，其图标添加代码如下：

$('#iconId').combobox(
				{
					formatter : function(row) {
						var imageFile = 'themes/icons/' + row.icon;
						console.info('imageFile' + imageFile);
						return '<img class="item-img" src="' + imageFile
								+ '"/>  <span class="item-text">'
								+ row.text + '</span>';
					}
				});

分享，成长，快乐

转载请注明blog地址：http://blog.csdn.net/fansy1990