Front-end: https://github.com/AbyssLink/vue-admin-vuetify/tree/Book-Recommend-Flask-backend
Back-end: https://github.com/AbyssLink/book-recommendation-system
| 图书首页 | 模糊搜索 |
|---|---|
 |
 |
| 图书评分 | 图书推荐 |
 |
 |
| 个人信息 | |
 |
git clone https://github.com/AbyssLink/vue-admin-vuetify.git
# 切换分支
git checkout Book-Recommend-Flask-backend
cd vue-admin-vuetifynpm installnpm run servenpm run buildgit clone https://github.com/AbyssLink/Book_Recommend_System.git
cd Book_Recommend_Systempipenv install
# or
pip install -r requirementspython app.py实现一个简单的图书推荐系统，可以在已有的数据源上对用户进行简单的图书推荐。
支持用户实时添加评分，并更新推荐结果。
项目的前端总体实现比较简单，由于 vuetify 本身就是已经非常成熟的响应式框架，我在样式和布局上主要通过修改一些组件的预设完成，主要的工作量在于前后端跨域请求数据和前端的用户状态管理问题。
Vue + Vuetify + Flask + SQLAlchemy + mysql
操作系统：MacOS 10.14.15
前端 IDE：Visual Studio Code
后端 IDE: Pycharm
数据库：Mysql 8.0.15, redis 5.0.5
- 组件样式:
vuetify,material-design-icons-iconfont - 路由处理:
vue-router - ajax 请求:
axios - 时间处理:
moment
- Web 框架：
Flask - 处理跨域请求：
flask_cors - 数据库 ORM 框架：
Flask-SQLAlchemy - 数据处理：
Pandas,Numpy,math,operator
使用了 MySQL 数据库，主要为 Book，User，Rating 表，Book 表为图书基本信息，User 表为用户基本信息，Rating 表为用户对特定图书的评分。
| Navicat 生成 | DBViewer 生成 |
|---|---|
 |
 |
数据源：http://www2.informatik.uni-freiburg.de/~cziegler/BX/
使用的数据源来自网络上开源 2004 年的图书数据库，下载的原始文件为 CSV 格式。
处理的数据量较大，Book 表和 User 表的数据约为 30 万行。
使用 Python 的 Pandas 库，对 CSV 文件进行了行遍历，过滤了一些字段中编码非 utf-8 与数据列数目不正确的列，再使用 Navicat 的 Import Wizard 工具将 CSV 文件导入为 MySQL 表格。
前台向后台发送登陆表单的信息，同时接受后台发送的用户详细信息存储在浏览器本地缓存(localStorage), 以在前端显示用户头像，用户名等.
login() {
Vue.prototype.$http
.post("/login", this.userInfo)
.then(response => {
if (response.data.status == "success") {
// 存储登陆信息在客户端浏览器中
let userFullInfo = response.data.data;
localStorage.setItem("LOGIN_USER", JSON.stringify(userFullInfo));
this.message = "登陆成功";
Snackbar.success(this.message);
// 登陆成功后跳转页面
this.$router.push({ name: "Index" });
} else {
this.message = "登陆失败，原因为" + response.data.errMsg;
Snackbar.error(this.message);
}
})
.catch(error => {
console.log(error);
Snackbar.error(error);
});
}后台接受前台 post 的表单数据，与后台 User 表进行验证，并返回对应状态码给前台：
@app.route('/login', methods=['POST'])
def login():
response = {}
user_id = request.form['userId']
password = request.form['password']
login_user = User.query.filter_by(id=user_id).first()
if login_user is not None:
if login_user.password == password:
response['status'] = 'success'
response['data'] = User.as_dict(login_user)
return json.dumps(response)
else:
response['status'] = 'fail'
response['errMsg'] = '密码不正确'
return json.dumps(response)
else:
response['status'] = 'fail'
response['errMsg'] = '用户名不存在'
return json.dumps(response)前端以表单形式添加一条评价记录，后端通过获取参数使用数据库方法查询是否已有评分记录，已有则更新评分，否则新建评分。
前台使用 post 方法发送表单数据：
// 发送用户评分请求
addRate() {
this.dialog = false;
this.form.userId = this.userId;
this.form.bookId = this.item.item_id;
this.form.score = this.rating * 2; // 0～5分制 => 0~10分制
console.log(this.form);
Vue.prototype.$http
.post("/rating/add", this.form)
.then(response => {
if (response.data.status == "success") {
this.message = "评价成功";
...
} else {
...
}
})
.catch(error => {
console.log(error);
});
},设置后台响应：
# 添加用户评分
@app.route('/rating/add', methods=['POST'])
def add_rate():
user_id = request.form['userId']
book_id = request.form['bookId']
score = request.form['score']
rating = Rating.query.filter_by(user_id=user_id, book_id=book_id).first()
if rating is not None:
rating.score = score
else:
db.session.add(Rating(user_id=user_id, book_id=book_id, score=score))
db.session.commit()
response = {'status': 'success'}
return json.dumps(response)# 基于物品相似度的协同过滤推荐公式：
similar[i][j] = u(i) ∩ u(j) / sqrt(u(i) * u(j))
predict[u][j] = ∑( i ∊ n(u) ∩ similar(j, k) ) similar[i][j] * rate[u][i]算法的主要的步骤是计算相似度然后根据相似度排序，对用户的行为进行遍历，形成推荐列表。
相似度中贡献度的计算函数：
def update_contribute_score(user_total_rate_num):
"""
item cf update sim contribution score by user
点击数目越少，贡献度越高，数目越多贡献度越低
"""
return 1 / math.log10(1 + user_total_rate_num)计算相似度（以基于物品推荐为例）：
# itemcf.py
def cal_item_sim(user_like):
# 评价 item 的公共用户
co_appear = {}
# 评价 item 的所有用户
item_user_like_count = {}
for user, item_list in user_like.items():
for i in range(0, len(item_list)):
....
for j in range(i + 1, len(item_list)):
item_id_j = item_list[j]
co_appear.setdefault(item_id_i, {})
co_appear[item_id_i].setdefault(item_id_j, 0)
# 存储 item_i 对 item_j 的贡献
co_appear[item_id_i][item_id_j] += update_contribute_score(
len(item_list))
co_appear.setdefault(item_id_j, {})
co_appear[item_id_j].setdefault(item_id_i, 0)
# 存储 item_j 对 item_i 的贡献
co_appear[item_id_j][item_id_i] += update_contribute_score(
len(item_list))
...
# 排序实现
return item_sim_score_sorted使用数据库中间件封装完成的方法对数据库中的所有字段进行遍历，相似的行转化为为列表输出。
# 根据字段查询书籍
@app.route('/book/search/<content>')
def search_book(content):
rows = Book.query.filter(
or_(Book.id.like("%" + content + "%") if content is not None else "",
Book.title.like("%" + content + "%") if content is not None else "",
Book.author.like("%" + content + "%") if content is not None else "",
Book.publisher.like("%" + content + "%") if content is not None else "",
Book.year.like("%" + content + "%") if content is not None else "")
).limit(100)
response = {}
...
return json.dumps(response)