基于協(xié)同過濾算法的電影系統(tǒng)

1、鑒于共同過濾算法的電影介紹系統(tǒng)鑒于共同過濾算法的電影介紹系統(tǒng)鑒于共同過濾算法的電影介紹系統(tǒng)高級數(shù)據(jù)發(fā)掘期末大作業(yè)鑒于共同過濾算法的電影介紹系統(tǒng)本電影介紹系統(tǒng)中運用的介紹算法是鑒于共同過濾算法（CollaborativeFilteringRecommendation）。共同過濾是在信息過濾和信息系統(tǒng)中正快速成為一項很受歡迎的技術(shù)。與傳統(tǒng)的鑒于內(nèi)容過濾直接分析內(nèi)容進行介紹不一樣樣，共同過濾分析用戶興趣，在用戶群中找到指定用戶的相像（興趣）用戶，綜合這些相像用戶對某一信息的討論，形成系統(tǒng)對該指定用戶對此信息的愛好程度展望。電影介紹系統(tǒng)中引用了ApacheMahout供給的一個共同過濾算法的介紹引擎T

2、aste，它實現(xiàn)了最基本的鑒于用戶和鑒于內(nèi)容的介紹算法，并供給了擴展接口，使用戶方便的定義和實現(xiàn)自己的介紹算法。電影介紹系統(tǒng)是鑒于用戶的介紹系統(tǒng)，即當(dāng)用戶對某些電影評分今后，系統(tǒng)依據(jù)用戶對電影評分的分值，判斷用戶的興趣，先運用UserSimilarity計算用戶間的相像度.UserNeighborhood依據(jù)用戶相像度找到與該用戶口胃相像的街坊，最后由Recommender供給介紹個該用戶可能感興趣的電影詳盡信息。將用戶評過分的電影信息和介紹給該用戶的電影信息顯示在網(wǎng)頁結(jié)果頁中，介紹達成。一、Taste介紹Taste是ApacheMahout供給的一個個性化介紹引擎的高效實現(xiàn)，該引擎鑒于jav

3、a實現(xiàn)，可擴展性強，同時在mahout中對一些介紹算法進行了MapReduce編程模式轉(zhuǎn)變，進而能夠利用hadoop的散布式架構(gòu)，提升介紹算法的性能。在版本中的Taste，實現(xiàn)了多種介紹算法，此中有最基本的鑒于用戶的和鑒于內(nèi)容的介紹算法，也有比較高效的SlopeOne算法，以及處于研究階段的鑒于SVD和線性插值的算法，同時Taste還供給了擴展接口，用于定制化開發(fā)鑒于內(nèi)容或鑒于模型的個性化介紹算法。Taste不可是合用于Java應(yīng)用程序，還能夠夠作為內(nèi)部服務(wù)器的一個組件以HTTP和WebService的形式向外界供給介紹的邏輯。Taste的設(shè)計使它能知足公司對介紹引擎在性能、靈巧性和可擴展性等

4、方面的要求。以下列圖展現(xiàn)了構(gòu)成Taste的核心組件：從上圖可見，Taste由以下幾個主要組件構(gòu)成：DataModel：DataModel是用戶愛好信息的抽象接口，它的詳盡實現(xiàn)支持從指定種類的數(shù)據(jù)源抽取用戶愛好信息。在中，Taste供給JDBCDataModel和FileDataModel兩種類的實現(xiàn)，分別支持從數(shù)據(jù)庫和文件文件系統(tǒng)中讀取用戶的愛好信息。關(guān)于數(shù)據(jù)庫的讀取支持，在Mahout中只供給了對MySQL和PostgreSQL的支持，假如數(shù)據(jù)儲蓄在其余數(shù)據(jù)庫，或許是把數(shù)據(jù)導(dǎo)入到這兩個數(shù)據(jù)庫中，或許是自行編程實現(xiàn)相應(yīng)的類。UserSimilarit和ItemSimilarity：前者用于定義

5、兩個用戶間的相像度，后者用于定義兩個項目之間的相像度。Mahout支持大多數(shù)駐留的相像度或有關(guān)度計算方法，針對不同的數(shù)據(jù)源，需要合理選擇相像度計算方法。UserNeighborhood：在鑒于用戶的介紹方法中，介紹的內(nèi)容是鑒于找到與目前用戶喜好相像的“街坊用戶”的方式產(chǎn)生的，該組件就是用來定義與目標(biāo)用戶相鄰的“街坊用戶”。所以，該組件只有在鑒于用戶的介紹算法中才會被使用。Recommender：Recommender是介紹引擎的抽象接口，Taste中的核心組件。利用該組件就能夠為指定用戶生成項目介紹列表。二、相像性胸懷本章節(jié)將系統(tǒng)頂用到的幾個相像性胸懷函數(shù)作以介紹，taste中已經(jīng)詳盡實現(xiàn)了各

6、相似性胸懷類。UserCF和ItemCF都依靠于相像度的計算，因為只有經(jīng)過權(quán)衡用戶之間或物件之間的相像度，才能找到用戶的“街坊”，才能達成介紹。下邊就對常用的相像度計算方法進行詳盡的介紹：1.鑒于皮爾森有關(guān)性的相像度Pearsoncorrelation-basedsimilarity皮爾森有關(guān)系數(shù)反響了兩個變量之間的線性有關(guān)程度，它的取值在-1,1之間。當(dāng)兩個變量的線性關(guān)系加強時，有關(guān)系數(shù)趨于1或-1；當(dāng)一個變量增大，另一個變量也增大時，表示它們之間是正有關(guān)的，有關(guān)系數(shù)大于0；假如一個變量增大，另一個變量卻減小，表示它們之間是負(fù)有關(guān)的，有關(guān)系數(shù)小于0；假如有關(guān)系數(shù)等于0，表示它們之間不存在線性

7、有關(guān)關(guān)系。用數(shù)學(xué)公式表示，皮爾森有關(guān)系數(shù)等于兩個變量的協(xié)方差除于兩個變量的標(biāo)準(zhǔn)差。Pearsoncorrelation-basedsimilarity協(xié)方差（Covariance）：在概率論和統(tǒng)計學(xué)頂用于權(quán)衡兩個變量的整體偏差。假如兩個變量的變化趨于一致，也就是說假如此中一個大于自己的希望值，另一個也大于自己的希望值，那么兩個變量之間的協(xié)方差就是正當(dāng)；假如兩個變量的變化趨向相反，則協(xié)方差為負(fù)值。Covariance此中u表示X的希望E(X),v標(biāo)準(zhǔn)差（StandardDeviation表示Y的希望E(Y)）：標(biāo)準(zhǔn)差是方差的平方根StandardDeviation方差(Variance)：在概率

8、論和統(tǒng)計學(xué)中，一個隨機變量的方差表述的是它的失散程度，也就是該變量與希望值的距離。Variance即方差等于偏差的平方和的希望鑒于皮爾森有關(guān)系數(shù)的相像度有兩個弊端：沒有考慮（takeintoaccount）用戶間重疊的評分項數(shù)目對相像度的影響；假如兩個用戶之間只有一個共同的評分項，相像度也不可以夠被計算Table1上表中，行表示用戶（15）對項目（101103）的一些評分值。直觀來看，User1和User5用3個共同的評分項，而且給出的評分走差也不大，按理他們之間的相像度應(yīng)該比User1和User4之間的相像度要高，但是User1和User4有一個更高的相像度1。相同的場景在現(xiàn)實生活中也常常發(fā)

9、生，比方兩個用戶共同觀看了200部電影，固然不必定給出相同或完滿周邊的評分，他們之間的相像度也應(yīng)當(dāng)比另一位只觀看了2部相同電影的相像度高吧！但事實其實不這樣，假如對這兩部電影，兩個用戶給出的相像度相同或很周邊，經(jīng)過皮爾森有關(guān)性計算出的相像度會明顯大于觀看了相同的200部電影的用戶之間的相像度。Mahout對鑒于皮爾森有關(guān)系數(shù)的相像度給出了實現(xiàn)，它依靠一個DataModel作為輸入。PearsonCorrelationSimilarity同時，Mahout還針對弊端(1)進行了優(yōu)化，只需要在構(gòu)造PearsonCorrelationSimilarity時多傳入一個參數(shù)，就能使有更多相同評分項目的用

10、戶之間的相像度更趨近于1或-1。UserSimilaritysimilarity1=newPearsonCorrelationSimilarity(model);doublevalue1=(1,5);UserSimilaritysimilarity2=newPearsonCorrelationSimilarity(model,;doublevalue2=(1,5);結(jié)果：2.鑒于歐幾里德距離的相像度EuclideanDistance-basedSimilarity歐幾里德距離計算相像度是全部相像度計算里面最簡單、最易理解的方法。它以經(jīng)過人們一致討論的物件為坐標(biāo)軸，此后將參加討論的人繪制到坐標(biāo)系

11、上，并計算他們相互之間的直線距離。EuclideaDistance2-CoordinateTable2圖頂用戶A和用戶B分別對項目X、Y進行了評分。用戶A對項目X的評分為2，對項目Y的評分為4，表示到坐標(biāo)系中為坐標(biāo)點A,4)；相同用戶B對項目X、Y的評分表示為坐標(biāo)點B,，所以他們之間的歐幾里德距離（直線距離）為：sqrt(-2+-2)EuclideanDistance計算出來的歐幾里德距離是一個大于0的數(shù)，為了使其更能表現(xiàn)用戶之間的相像度，能夠把它規(guī)約到(0,1之間，詳盡做法為：1/(1+d)。拜見Table2EuclideanDistance-basedSimilarity只需最罕有一個共同

12、評分項，就能用歐幾里德距離計算相像度；假如沒有共同評分項，那么歐幾里德距離也就失掉了作用。其實照舊理理解，假如沒有共同評分項，那么意味著這兩個用戶或物件根本不相像。3.余弦相像度CosineSimilarity余弦相像度用向量空間中兩個向量夾角的余弦值作為權(quán)衡兩個個體間差其余大小。相比距離胸懷，余弦相像度更為重視兩個向量在方向上的差別，而非距離或長度上。CosineSimilarity與歐幾里德距離近似，鑒于余弦相像度的計算方法也是把用戶的愛好作為n-維坐標(biāo)系中的一個點，經(jīng)過連結(jié)這個點與坐標(biāo)系的原點構(gòu)成一條直線（向量），兩個用戶之間的相像度值就是兩條直線（向量）間夾角的余弦值。因為連結(jié)代表用戶

13、評分的點與原點的直線都會訂交于原點，夾角越小代表兩個用戶越相像，夾角越大代表兩個用戶的相像度越小。同時在三角系數(shù)中，角的余弦值是在-1,1之間的，0度角的余弦值是1，180角的余弦值是-1。借助三維坐標(biāo)系來看下歐氏距離和余弦相像度的差別：DistanceandCosine3-Coordinates從圖上能夠看出距離胸懷權(quán)衡的是空間各點間的絕對距離，跟各個點所在的地點坐標(biāo)（即個體特點維度的數(shù)值）直接有關(guān)；而余弦相像度權(quán)衡的是空間向量的夾角，更為的是表此刻方向上的差別，而不是地點。假如保持A點的地點不變，B點朝原方向遠離坐標(biāo)軸原點，那么這個時候余弦相像度cos是保持不變的，因為夾角不變，而A、B兩

14、點的距離明顯在發(fā)生改變，這就是歐氏距離和余弦相像度的不一樣樣之處。依據(jù)歐氏距離和余弦相像度各自的計算方式和權(quán)衡特點，分別合用于不一樣樣的數(shù)據(jù)分析模型：歐氏距離能夠表現(xiàn)個體數(shù)值特點的絕對差別，所以更多的用于需要從維度的數(shù)值大小中表現(xiàn)差其余分析，如使用用戶行為指標(biāo)分析用戶價值的相像度或差別；而余弦相像度更多的是從方向上劃分差別，而對絕對的數(shù)值不敏感，更多的用于使用用戶對內(nèi)容評分來劃分用戶興趣的相像度和差別，同時修正了用戶間可能存在的胸懷標(biāo)準(zhǔn)不一致的問題（因為余弦相像度對絕對數(shù)值不敏感）。Mahout沒有專門給出鑒于余弦相像度的實現(xiàn)。調(diào)整余弦相像度AdjustedCosineSimilarity在余

15、弦相像度的介紹中說到：余弦相像度更多的是從方向上劃分差別，而對絕對的數(shù)值不敏感。所以無法權(quán)衡每個維數(shù)值的差別，會致使這樣一個狀況：比方用戶對內(nèi)容評分，5分制，X和Y兩個用戶對兩個內(nèi)容的評分分別為(1,2)和(4,5)，使用余弦相像度得出的結(jié)果是，二者極為相像，但從評分上看X憂如不喜愛這2個內(nèi)容，而Y比較喜愛，余弦相像度對數(shù)值的不敏感致使了卻果的偏差，需要修正這類不合理性，就出現(xiàn)了調(diào)整余弦相像度，即全部維度上的數(shù)值都減去一個均值，比方X和Y的評分均值都是3，那么調(diào)整后為(-2,-1)和(1,2)，再用余弦相像度計算，獲取，相像度為負(fù)值而且差別不小，但明顯更為符合現(xiàn)實。5.斯皮爾曼有關(guān)Spearm

16、anCorrelation斯皮爾曼有關(guān)性能夠理解為是擺列后（Rank）用戶愛好值之間的Pearson有關(guān)度。MahoutinAction中有這樣的解說：假定關(guān)于每個用戶，我們找到他最不喜愛的物件，重寫他的評分值為“1”；此后找到下一個最不喜愛的物件，重寫評分值為“2”，以此類推。此后我們對這些變換后的值求Pearson有關(guān)系數(shù)，這就是Spearman有關(guān)系數(shù)。斯皮爾曼有關(guān)度的計算舍棄了一些重要信息，即真切的評分值。但它保存了用戶愛好值的實質(zhì)特點排序（ordering），它是成立在排序（或等級，Rank）的基礎(chǔ)上計算的?；厥浊懊姹碇蠻ser15對Item101103的愛好（評分）值，經(jīng)過斯皮爾曼

17、有關(guān)系數(shù)計算出的相像度為：Table3我們發(fā)現(xiàn)，計算出來的相像度值要么是1，要么是-1，因為這依靠于用戶的愛好值和User1的愛好值能否趨于“一致變化”仍是呈“相反趨向變化。Mahout對斯皮爾曼有關(guān)系數(shù)給出了實現(xiàn)，詳細可參照SpearmanCorrelationSimilarity，它的履行效率不是特別高，因為斯皮爾曼有關(guān)性的計算需要花時間計算并儲蓄愛好值的一個排序（Ranks），詳盡時間取決于數(shù)據(jù)的數(shù)目級大小。正因為這樣，斯皮爾曼有關(guān)系數(shù)一般用于學(xué)術(shù)研究或許是小規(guī)模的計算。UserSimilaritysimilarity1=newSpearmanCorrelationSimilarity(

18、model);基于谷本系數(shù)的相像性胸懷TanimotoCoefficient-basedSimilarityTanimotoCoefficient和前面的5中有關(guān)度計算方式有很大的不一樣樣，它不關(guān)懷用戶對物件的詳盡評分值是多少，它在關(guān)懷用戶與物件之間能否存在關(guān)系關(guān)系。TanimotoCoefficient依靠于用戶和物件之間的這類Boolean關(guān)系作為輸入。更正確的說法為：TanimotoCoefficient主要用于計算符號胸懷或布爾值胸懷的個體間的相像度，因為個體的特點屬性都是由符號胸懷或許布爾值表記，所以無法權(quán)衡差異詳盡值的大小，只好獲取“能否相同”這個結(jié)果，所以TanimotoCoef

19、ficient只關(guān)懷個體間共同擁有的特點能否一致這個問題。TanimotoCoefficient又被叫做JaccardCoefficient，其值等于兩個用戶共同關(guān)系（不論喜愛仍是不喜愛）的物件數(shù)目除于兩個用戶分別關(guān)系的全部物件數(shù)目。Intersection/Union也就是關(guān)系的交集除于關(guān)系的并集，用公式表示為：Tanimoto/JaccardCoefficient其值介于0,1之間，假如兩個用戶關(guān)系的物件完滿相同，交集等于并集，值為1；假如沒有任何關(guān)系，交集為空，值為0。三、電影介紹系統(tǒng)的實現(xiàn)數(shù)據(jù)下載：到grouplens網(wǎng)站（）上下載DataSets，在該電影系統(tǒng)中我們使用了快要900多

20、用戶為1683的電影評了近100000行的數(shù)據(jù)集。將下載的里的評分?jǐn)?shù)據(jù)和電影信息數(shù)據(jù)取出。將評分文件變換成近似于csv文件格式的文本文件，CSV是逗號分開值文件(CommaSeparatedvalue)，是一種用來儲蓄數(shù)據(jù)的純文本文件格式,文件名為。能夠用寫字板翻開，如圖：圖表示圖此后將數(shù)據(jù)導(dǎo)入到mysql數(shù)據(jù)庫中，將電影數(shù)據(jù)文件也變換成CSV格式文件，此后也導(dǎo)入數(shù)據(jù)庫中，Mysql中數(shù)據(jù)庫為movierecommendation，上述兩個文件對應(yīng)的表分別為movies和rating。因為taste引擎需要屢次進行數(shù)據(jù)庫操作，所以能夠?qū)ysql數(shù)據(jù)庫進行一般的調(diào)優(yōu)，在mysql安裝目錄的文件

21、中設(shè)置一些參數(shù)，進而加速數(shù)據(jù)庫操作運轉(zhuǎn)的時間。系統(tǒng)構(gòu)造：本電影介紹系統(tǒng)前臺導(dǎo)航欄有三個菜單，分別為首頁，介紹電影，參數(shù)設(shè)置。首頁：首頁上顯示綜合評分最高的前20部電影，綜合評分是指關(guān)于一部電影，全部觀看改電影的用戶的評分的希望值。實現(xiàn)為在頁面中調(diào)用數(shù)據(jù)庫接口，查問數(shù)據(jù)庫，此后將結(jié)果顯示出來：參數(shù)設(shè)置頁面：因為共同過濾算法需要設(shè)置介紹的參數(shù)，在本系統(tǒng)主假如考慮街坊個數(shù)和相像度胸懷函數(shù)這兩個參數(shù)：在相像性胸懷下拉列表框中，一共能夠選擇四種相像度胸懷類，分別為：鑒于歐幾里得距離的相像度、鑒于皮爾森有關(guān)性的相像度、鑒于斯皮爾曼有關(guān)的相像度、鑒于古本系數(shù)的相像性胸懷。各有關(guān)性胸懷類的說明都在第二章節(jié)中有詳盡介紹。系統(tǒng)使用application對象保存這些參數(shù)設(shè)置，而且在中設(shè)置了初始化的值，分別