发布时间 : 星期四 文章基于Knn算法的图书推荐系统(毕业设计)更新完毕开始阅读b5dabdc390c69ec3d4bb7528
华北科技学院毕业设计
其中，各个书目的分布位置由distance得出，各类点上的取值由读者-书目矩阵
user.item.matrix得出，分类取值0，表示未曾借阅，分类取值1表示借阅过这本书。然后根据Knn算法思想找出商品最近的K个物品，图示中的K取值为3。最后计算书目取值只和，并除以K，从而代表读者reader和书目book之间的关系。代码如下：
knn.userid.item=function(userid,itemid,user.item.matrix,distance,k=25){ item.index=which(rownames(distance)==as.character(itemid)) k.nearest.item.index=order(distance[item.index,])[2:(k+1)]
k.nearest.itemid=as.numeric(rownames(distance)[k.nearest.item.index]) sum(user.item.matrix[as.character(userid),as.character(k.nearest.itemid)])/k }
下面通过distance书目距离矩阵找到与itemid距离最近的K个物品： 1. 查找名称是itemid的物品在distance的序列号item.index。代码如下： item.index=which(rownames(distance)==as.character(itemid))
2. 如果order(<向量a>)可以返回向量a的取值由小到大排序后元素的序列号信息，则语句如下：
k.nearest.item.index=order(distance[item.index,])[2:(k+1)]
上述语句可以返回distance[item.index,]中最小的第2至k+1元素的序列号。这里由于distance与itemid距离最近的书目还是itemid，所以这里取第2至k+1元素。
3. 使用k.nearest.index反查出物品id，代码如下
k.nearest.itemid=as.numeric(rownames(distance)[k.nearest.item.index])
4. 使用读者-书目距离矩阵user.item.matrix来计算距离最近的K个物品有多少个被借阅，再除以K得到一个处于[0,1]之间的数据，用以表明读者和书目的关系，代码如下所示：
sum(user.item.matrix[as.character(userid),as.character(k.nearest.itemid)])/k
5.5计算用户的推荐书目id
使用自定义的核心函数knn.userid.item，可以计算用户userid与所有的商品的关系数
据，并可以取关系最大的书目，作为该用户的推荐书目。该过程实际上就是在上述 书目平面分布图中，查找周围书目与之最近的k个物品中取值为1的最多的书目。
例如在图5-2中，取值为零的书目，周围的k个物品的分类取值1占多数，所以它
第 11 页 共 27 页
图书推荐系统
就被作为一款推荐书目。
图5-2 用户推荐书目示意图
该过程涉及的代码如下：
knn.itembase=function(userid,user.item.matrix,distance,k=25,return.item.num=10){ knn.userid=0
for(i in 1:nrow(distance)){
knn.userid[i]=knn.userid.item(userid,rownames(distance)[i],user.item.matrix,distance,k=k) }
return.itemid=rownames(distance)[order(knn.userid,decreasing=T)]
return.itemid=setdiff(return.itemid,colnames(user.item.matrix)[which(user.item.matrix[as.character(userid),]!=1)])
return.itemid[1:return.item.num] }
代码中的knn.userid用于存储用户userid和所有书目的关系数据，然后依据knn.userid取值由大到小的顺序进行排序，然后返回其编号。代码如下
return.itemid=rownames(distance)[order(knn.userid,decreasing=T)]
然后使用如下语句找到已被用户收藏的书目的itemid：
colnames(user.item.matrix)[which(user.item.matrix[as.character(userid),] !=1)]
再从上面的return.itemid中提取出已经借阅过的书目的信息。代码如下：
return.itemid=setdiff(return.itemid,colnames(user.item.matrix)[which(user.item.matrix[as.character(userid),]!=1)])
最后依据推荐书目数，来返回最后为用户userid推荐的return.itemid个书目itemid。
第 12 页 共 27 页
华北科技学院毕业设计
5.6 查询推荐书目的具体信息
根据上述步骤计算出的用户推荐书目id，在数据库中查找出推荐书目的具体信息，返回给用户，给用户提取出一些有用的信息，方便用户对推荐书目的了解以及在图书馆的检索。代码如下：
recFromPerson=function(readerNum,user.item.matrix1=user.item.matrix,distance1=distance){ library(RODBC) odbcDataSources()
conn=odbcConnect(\
result=\
rec=knn.itembase(readerNum,user.item.matrix1,distance1,k=25,return.item.num=10) rec=na.omit(rec)#缺失值处理 for(i in 1:length(rec)){
sql.rec=paste(\ result=rbind(result,sqlQuery(conn,sql.rec)) }
odbcClose(conn) na.omit(result) }
在数据库中返回的信息有图书的标题，作者，出版社，出版日期，检索号等等信息。方便用户对推荐书目的了解和查找。其中na.omit(result)，用于去空操作。
第 13 页 共 27 页
图书推荐系统
第6章 SQL Server数据库、Java语言与R的组合
6.1 简述
R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。R拥有一套完整的数据处理、计算和制图软件系统。其功能包括：数据存储和处理系统；数组运算工具，其向量、矩阵运算方面功能尤其强大；完整连贯的统计分析工具；优秀的统计制图功能；简便而强大的编程语言。
SQLServer数据库提供大量数据的存储以及一些复杂的数据整理合并等。
Java 技术具有卓越的通用性、高效性、平台移植性和安全性，广泛应用于个人PC、数据中心、游戏控制台、科学超级计算机、移动电话和互联网，同时拥有全球最大的开发者专业社群，同时适用于开发各种良好的图形界面。
而数据从存储到大规模计算，再到计算结果展示，这三者的组合刚好迎合了数据的一条龙式的发展与应用。我相信这必将是大数据时代的一个利器。
6.2 SQL Server数据库与R语言
R语言提供了RODBC包，用于基于数据源的数据库连接，下面一个例子简单说明
数据库的连接：
library(RODBC) odbcDataSources()
conn=odbcConnect(\
sql=\train.data=sqlQuery(conn,sql) names(train.data)=c(\odbcClose(conn)
其中conn=odbcConnect(\用于数据源的连接，train.data=sqlQuery(conn,sql)用
于数据的查询，odbcClose(conn)用于数据源连接的关闭。
第 14 页 共 27 页