技术:easyUI、jQuery、Spring、Struts、Hibernate、Mahout、MySQL
本Libimseti推荐系统使用数据、代码參考《Mahout in action》第五章内容。
系统能够从这里下载:libimesti推荐系统 或 http://pan.baidu.com/s/1nvzqWcx (包括源代码)。
(1)改动Configuration文件夹中的db.properties中的数据库配置;
(2)从http://pan.baidu.com/s/1bOzCtC 下载所须要的数据,解压后能够看到gender.dat 和ratings.dat文件;
(3)启动project,自己主动生成相关表。
(4)在数据库中执行src文件夹下*.sql。导入相关数据;
(1)改动src文件夹下com.fz.util.Utils中的genderFile和ratingsFile变量为正确文件地址。
启动tomcat,訪问http://localhost:8080/rec 就可以訪问系统主页。例如以下:
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZmFuc3kxOTkw/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="700" height="350" alt="" />
在推荐算法页面点击”查询”按钮。就可以依据用户ID输入框里面的用户ID查询用户对其它档案的评分,同一时候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。其后台代码例如以下:
$('#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,须要和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:'档案描写叙述',width:'200',},
]]
});
使用了toolbar。提供“加入”、“改动”和“删除“功能,使用分页组件用于分页显示查询数据。因为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,代码例如以下:
public Map
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
List
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,本来是在页面加入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);
用户加入对其它未评分档案数据的页面例如以下(点击toolbar中的”加入“按钮):
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZmFuc3kxOTkw/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="" />
这里使用的easyUI的window组件,打开页面后依据用户的信息先初始化用户ID和用户性别两个性别,且不可改动。用户须要输入档案ID(必选项)、档案性别和档案描写叙述;
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。假设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。代码例如以下:
// 用户在添加对其它项目评分的时候,须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页面就能够简单的使用以下的代码就可以:
改动用户当前档案信息界面例如以下:
当中的用户ID和档案ID是不可改动的;这里弹出的window和加入功能界面的window是一样的,这里在弹出界面的时候改动其title。
删除用户对当前档案数据须要用户进一步确认:
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能够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);
});
推荐相同使用easyUI的datagrid,其js例如以下:
$('#recommendId').datagrid({
border:false,
singleSelect:true,
height:180,
nowrap:false,
pagination:true,//分页控件
pageSize:4, // 每页记录数,须要和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'},
]]
});
这里传入后台的參数中包括filter和uid。filter即是否使用过滤;
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。这里的过滤规则例如以下:首先计算出用户评价过的档案中的性别的较大值,比方M(men)(即对哪类性别的档案评分比較多),然后在对用户进行推荐的可能档案中不正确非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,同一时候在《Mahout in action》中对这个代码进行了包装,代码例如以下:
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,则算法非常慢
* @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
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值能够获得很多其它推荐
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。这种方法用于初始化数据模型。我曾试过使用mysqlDataSource做为数据源,可是计算太慢了。
2. 带參数的LibimsetiRecommender构造方法,就是主要的推荐代码了创建UserSimilarity、UserNeighborhood对象,这里的n值(代码中为4)能够依据自己的须要进行调整,原书中为2。同一时候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,方便依据用户ID查询性别。
3. 推荐使用recommend(int userid ,int howmany)就可以,这里代码使用的howmany固定为20。同一时候因为数据须要传入前台。同一时候考虑到分页。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)中假设使用了过滤,那么就初始化IDRescorer为GenderRescorer,当中GenderRescorer为自己定义过滤器,这里须要注意代码清单 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);
}
须要改为:
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。
比方针对用户ID为8的用户,其过滤推荐为:
这里事实上现实的是没有推荐。再看非过滤推荐:
这里能够看到有3个推荐,可是假设对用户ID为8的用户使用非过滤推荐,那么能够看到这个用户可能是GAY,可是从用户8的评分数据来看。其对F(Female)的档案评分比較多。这说明这3个推荐是不合理的。须要过滤,那么过滤推荐就能够过滤掉这三个推荐数据了。
待更新。
点击导航配置Tab,能够看到文件夹维护的界面:
这里的操作里面的按钮,使用以下的方式生成:
$(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,须要和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;
}
} \] \]
});
});
点击加入按钮,能够对文件夹进行加入,其界面例如以下:
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZmFuc3kxOTkw/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" width="300" height="260" alt="" />
当中。图标使用combobox,其图标加入代码例如以下:
$('#iconId').combobox(
{
formatter : function(row) {
var imageFile = 'themes/icons/' + row.icon;
console.info('imageFile' + imageFile);
return ' '
+ row.text + '';
}
});
分享,成长。快乐
转载请注明blog地址:http://blog.csdn.net/fansy1990
手机扫一扫
移动阅读更方便
你可能感兴趣的文章