论文总字数：23622字

摘 要

在这个信息爆炸的时代，图书馆的各种信息也日益增长，高校学生在面临浩瀚书海的同时往往产生不知道如何选择适合自己的书籍的困惑。图书推荐技术就是如此应运而生，是经过树立用户与书籍之间的二元关系，根据某些相似性关系或者借阅记录发掘每个用户可能感兴趣的书籍，从而开始个性化推荐，它的实质就是信息的挖掘和过滤。

推荐系统不仅在电子商务领域具有广泛的应用，在图书馆系统中成为标配也将是未来的一种趋势。试想当一名学生有明确需求时，他可以通过搜索引擎找到自己想要借阅的书籍，但是很多时候同学们对书籍的需求时不明确的。这时候，推荐系统就能体现出巨大的作用了。对于读者而言，可以快速的发现自己可能感兴趣的书籍，对于图书馆系统而言，则是实现了高效服务的功能，体现出了现代化图书馆的价值。

本文采用了协同过滤的思想，利用书籍借阅记录，搜集与用户趣味相似的其他用户喜爱的书籍信息来完成推荐。但是传统的协同过滤算法有着数据稀疏，新建用户难以实现推荐功能等困难，所以本文系统采取了管理员推荐和借阅排行推荐的方法来弥补协数据稀疏的问题。一个好的图书推荐系统必须能够满足读者的口味，高效且实用。但是推荐算法目前还面临较多的难题，本文首先引见了推荐系统的相干概念、算法，然后对这些算法进行优劣的分析，通过分析，设计完成了一个图书个性化推荐系统，本系统采用MySQL数据库 Myeclipse进行软件开发，采用MVC开发模式，将Spring 3 Struts 2 Hibernate 4框架进行整合，Struts 进行页面逻辑的处理，Hibernate 4进行持久化操作，Spring 3提供非常好的配置方法，最终实现了向用户提供个性化推荐图书、图书查询、图书借阅、借阅排行、读者圈子、话题交流等功能。

关键词：个性化图书推荐；协同过滤；数据挖掘；实时展示

Abstract
  In this era of information explosion, information library is also growing, college students in the face of the vast sea of ​​books at the same time often have no idea how to choose books for their own confusion. Books recommended technique is the case emerged, is the result of binary relations established between the user and the books, according to some similarity relationship or borrow excavation records each user may be interested in books, which began personalized recommendation, its substance is a mining and filtering information.
    Recommended system not only has a wide range of applications in the field of electronic commerce has become standard in the library system will also be a trend in the future. Imagine a student when there is a clear demand, he can be found through search engines books they want to borrow. At this time, we recommend the system be able to demonstrate a huge role. For the reader can quickly find themselves might be interested in books For library systems, it is to achieve a functional and efficient service, reflecting the value of a modern library.
    In this paper, the idea of collaborative filtering, the use of books to borrow record collection and taste similar to a user"s favorite books to other users information to complete the recommendation. But traditional collaborative filtering algorithm with sparse data, the new user is difficult to achieve recommended functions and other difficulties, so this system to take the recommendation and loan ranking administrators recommended method to compensate Association data sparse problem. A good book recommendation system must be able to satisfy the tastes of readers, efficient and practical. But the recommendation algorithm is still facing many problems, this paper introduced the recommendation system of coherent concepts, algorithms, and analyze the advantages and disadvantages of these algorithms through analysis, design books completed a personalized recommendation system, the system uses MySQL Myeclipse database software development using MVC development model, and ultimately to provide users with a personalized recommendation books, book search, book lending, loan ranking, reader circles, the topic of exchange and other functions.

Keywords: personalized book recommendations; collaborative filtering; data mining；Real-time display

摘要 II

Abstract III

第一章 绪论 1

1.1个性化图书推荐课题背景 1

1.2推荐系统的研究意义 1

1.3推荐系统在国内外的发展现状及未来展望 1

1.3.1国内推荐系统的发展现状 2

1.3.2国外推荐系统发展现状及优秀实例 3

1.4论文的结构和主要内容 4

第二章 个性化推荐相关算法介绍 5

2.1基于内容的推荐技术 5

2.2基于关联规则的推荐技术 5

2.3协同过滤推荐技术 5

2.3.1基于用户的协同过滤 5

2.3.2基于项目的协同过滤 5

2.4组合推荐技术 6

2.5推荐系统现存在的问题 6

第三章 个性化图书推荐系统的需求分析 8

3.1图书推荐系统需求分析 8

3.2图书推荐系统定义 8

3.2.1系统概要描述 8

3.2.2系统总体目标 8

3.2.3系统角色定义 8

3.3可行性分析 9

3.4本章小结 10

第四章 个性化图书推荐系统的设计 11

4.1个性化图书推荐系统总体架构设计 11

4.2图书推荐系统详细设计与分析 11

4.3数据库设计 13

4.3.1实体的E-R图 13

4.3.2数据表的详细设计 14

4.4本章总结 16

第五章 个性化图书推荐系统的实现 17

5.1推荐系统的开发环境 17

5.2连接数据库的实现 17

5.3图书推荐系统用户注册登录功能的具体实现 18

5.4图书推荐系统主界面的实现 21

5.5图书推荐系统个性化图书推荐的实现 22

5.6图书推荐系统话题讨论功能模块的实现 22

5.7图书推荐系统其他功能模块的实现与测试 24

5.7.1推荐系统热门借阅功能 24

5.7.2推荐系统借阅记录功能 25

5.7.3推荐系统帐号管理功能 25

5.7.4推荐系统管理员推荐功能 25

5.7.5系统服务器的实现 26

5.8本章小节 26

第六章 个性化推荐模块功能实现 27

6.1协同过滤推荐原理 27

6.2个性化推荐系统的实现过程 27

6.2.1建立用户-图书的二维矩阵模型 27

6.2.2寻找最近相似用户集 28

6.2.3生成推荐书籍 29

6.3个性化推荐页面设计 31

6.4 个性化推荐代码的实现 32

6.5本章小结 34

第七章 总结 35

致谢 36

参考文献 37

第一章 绪论

1.1个性化图书推荐课题背景

随着数据库技术及网络通讯技术的飞速开展,现在大多数高校图书馆都完成了从传统人工工作模式向计算机自动化解决形式的改变,其中图书的借还和编目流程大多数都经过过数据库管理技术。经历多年的运行,图书馆的图书操作系统里已经存有大量信息,若能发现隐藏在其中的某些有价值信息亦或是某些联系,那么将对图书馆的管理和操作起到很大的指示意义。数据发掘技术在图书馆操作系统的应用里面有着非常关键的意义,它能很好的从读者的查看历史记录中发现师生们的阅读趣味,发现借阅规律,从而为读者引荐相关图书,达到增强图书馆资源整合与运用,调整藏书和图书的摆放地方以便利于师生借阅的目标,非常有效地使用这种技术,对及时了解读者信息需要,增进图书馆服务质量,增强图书管理等都具有十分强的指示意义。

1.2推荐系统的研究意义

现在已经进入了到一个数据爆炸的时代，随着计算机网络技术的开展， Web已经变成数据共享的平台，在用户对自身需求非常明白的时候，用搜查引擎可以很快捷的通过关键字搜索很快的找到自己需求的信息。然而搜查引擎并不能百分百地满足用户对信息发现的要求，那是因为在非常多的情形下，用户其实自身并不明确自己的需要，或者他们的需求很难用简单的关键字技术来表述。又或许他们需要更多符合他们个人口味和喜好的内容，因此出现了推荐系统，与搜查引擎相对应。图书推荐系统的个性化服务按照服务的方式可以分成两种类型，第一种是检索功能（根据用户提交的检索条件，把符合用户需求的信息回馈给用户）。第二种是推荐功能（自动为用户引荐其可能感兴趣的信息）。用户获取信息的形式从简略的目的明确的数据的搜查转换到更高级更契合人们使用方式的信息发现。互联网的急速开展带来了信息量载入过多的结果,面对这么多的信息，人们如何去分辨哪些是自己感兴趣的，哪些是与自己无关的，这些都成了花费时间的问题。推荐系统则是利用了数据挖掘技术将大量的信息进行过滤，把用户可能感兴趣的内容推荐出来，是和信息搜索和信息分类的处理方式有非常大的区别的，也更加高效。以前包括现在，搜索引擎都是信息检索的好办法，然而人们有时候并不是十分了解自己的需求，举个例子，一个人喜欢一本书，他喜欢这种风格的书，然而他并不清楚这种风格的书还有哪些，这时候，推荐系统就可以根据同样风格的书进行推荐，快速而有效的帮助用户发现自己兴趣所在，有着很好的用户体验。同时推荐功能还能缓解用户从大量信息中筛选信息的疲劳，推荐系统的研究其实就是推荐算法的研究，通过设计出更多的推荐算法，并且让它们以某种方式融合起来功能作用，可以大大的提高推荐实现的准确性和高效性。

1.3推荐系统在国内外的发展现状及未来展望

在这个到处充斥着大量信息的时代，如何实现推荐功能的前提是能够发现事物间的规律，因此，数据挖掘（Data Mining）的高效性就变得至关重要。和数据挖掘相类似的还有数据分析、数据融合、从数据库中发现知识（KDD）等技术。KDD这一说法首次的提出是在1989年8月举行的第十一届国际人工智能学术会议上，到今天为止，这种国际范围内的KDD学术研讨会已经越来越多的举行，规模也变得越来越大，并且更加注重多种数据挖掘技术的集成。经过几十年的发展和完善，数据挖掘技术已经有了很多令世人瞩目的成果。

在推荐算法方面，协同过滤算法是以后乃至将来使用最普遍的个性化推荐技术，经过数据发掘技术，根据用户之间的相似性，也就是邻居用户来产生推荐内容。随着推荐系统的愈发成熟，人们用户对实时性、高效性、准确性有了更高的要求。推荐系统是信息检索和数据挖掘领域的热点研究方向，涌入了大量的推荐系统相关软件和平台，它们都各自实现了不同的推荐功能。

1.3.1国内推荐系统的发展现状

推荐系统如今已经在很多的电子商务网站实现了应用的开发，就比如当下非常流行的天猫购物网站，一进入网站，你会发现除了首页明显的搜索标志，还有大篇幅的推荐商品，假如你是个初次登录天猫的用户，也会有琳琅满目的推荐商品罗列在页面之上，推荐商品中大部分都是系统固定的推荐内容，但是假如你是个已经有购买记录的用户，那么你将会看到系统根据你的浏览记录，购买记录所形成的推荐内容，推荐系统发展到现在，电商网站一般都会采取混合式的推荐方法，而绝对不是单一的某一种推荐算法，因为单一的算法无论多好，总会有它不足的地方，电商网站往往会采取将基于内容的推荐、基于用户知识获取的推荐、根据用户手动评分、基于协同过滤推荐等等技术结合在一起灵活地实现推荐功能。比如根据商品自身的属性，类似于价格、品牌、美观程度、性价比等进行主观搭配，向用户推荐同类产品，比如某一顾客逛电子书城，他喜欢鲁迅的《朝花夕拾》，则系统会推荐鲁迅写的其他数据，比如《呐喊》等等。推荐系统还可以根据用户的评价或者打分来进行推荐，当大家都对一个商品保持高度的评价的时候，这个商品一般差不了，说明这个商品适合主流人群的口味，就可以在推荐页面中显示。有的电商网站通过对用户行为的监测实现推荐，比如当一个用户浏览了某个商品并且停留了较长一段时间，说明用户对这类商品可能会感兴趣，则系统将会预测下一个顾客可能喜欢的商品，并在下一个界面进行推荐。

剩余内容已隐藏，请支付后下载全文，论文总字数：23622字