基于數(shù)據(jù)挖掘的圖書推薦系統(tǒng)的分析與設(shè)計

張佳佳，章宜玉

（湖南信息職業(yè)技術(shù)學院 湖南 長沙 410200）

0 引言

隨著我國經(jīng)濟的快速發(fā)展和物質(zhì)生活水平不斷提高，人們的精神文化生活日益豐富，閱讀已成為人們生活中不可或缺的一部分。得益于移動互聯(lián)網(wǎng)的迅速發(fā)展，手機用戶增長迅猛，用戶不再只是網(wǎng)站內(nèi)容消費者，同時也是內(nèi)容生產(chǎn)者。人們不管在何時何地，都可借助移動終端在網(wǎng)絡(luò)平臺上發(fā)表自己的所思所想。現(xiàn)在越來越多的用戶傾向于通過微博、豆瓣、博客等網(wǎng)絡(luò)平臺發(fā)表書評，進行圖書評論。圖書評論是讀者對書籍質(zhì)量的一種情感表達，如果能對海量的圖書評論數(shù)據(jù)進行分析處理，從中找到對用戶有用的信息，并將其用圖形化方式展現(xiàn)出來，就能為用戶提供直觀有效的圖書推薦[1]。

通過對基于數(shù)據(jù)挖掘的圖書推薦系統(tǒng)進行分析與設(shè)計，不僅可以幫助讀者選擇他們感興趣的圖書，也可以幫助出版公司迅速獲得讀者對書籍的評價與反饋。

1 系統(tǒng)需求分析

目前圖書市場上的圖書數(shù)據(jù)量龐大、品種繁多，網(wǎng)絡(luò)平臺上的圖書信息良莠不齊，而且存在惡意差評現(xiàn)象，讓人難以分辨[2]。因此基于數(shù)據(jù)挖掘的圖書推薦系統(tǒng)要設(shè)計爬蟲模塊，從網(wǎng)絡(luò)平臺抓取圖書信息，并對其進行篩選整合。其次，圖書評論信息是一個復雜的多模態(tài)數(shù)據(jù)集合，比如每本書都包含有名稱、簡介、作者、出版社等多維度信息，而作者可能又包含其出版過的其他書籍等信息。因此爬蟲模塊要通過多維度特征挖掘出更深層次、更全面的信息。微博作為一種新興的社會化媒體發(fā)布平臺，以其簡短寫作、便于發(fā)布、實時交互的特點深受大眾歡迎，本系統(tǒng)使用爬取自微博平臺的圖書數(shù)據(jù)集。爬蟲模塊是獲取系統(tǒng)所需要數(shù)據(jù)的重要方式，通過在微博網(wǎng)站搜索某個圖書關(guān)鍵詞，對搜索到的微言以及每條微言的用戶評論進行抓取，經(jīng)過數(shù)據(jù)篩選和清洗后，保存到本地數(shù)據(jù)庫中[3]。

數(shù)據(jù)分析模塊實現(xiàn)的功能有關(guān)鍵詞提取、情感分析和屬性關(guān)系網(wǎng)構(gòu)建。采用多種機器學習算法對圖書文本數(shù)據(jù)進行分析與挖掘，并將分析過程中的結(jié)果保存到數(shù)據(jù)庫中。

可視化模塊是對分析結(jié)果的可視化展示，用戶可以輸入某本圖書名稱，查看關(guān)于該書籍的分析信息，比如圖書評分、類別等。

2 開發(fā)環(huán)境及關(guān)鍵技術(shù)

軟件是基于Windows 10系統(tǒng)進行的設(shè)計。爬蟲模塊采用最新的Map Reduce分布式框架實現(xiàn)，使用爬蟲引擎采集信息并存入MySQL數(shù)據(jù)庫。集成開發(fā)環(huán)境采用Myeclipse 10.0，其功能強大、操作簡便、可有效提高編程效率?？梢暬K采用Apache+PHP框架，借助TagCloud和Echarts等插件，實現(xiàn)圖形化展示界面。

2.1 爬蟲技術(shù)

網(wǎng)絡(luò)爬蟲是指在海量的互聯(lián)網(wǎng)信息中進行爬取，按照特定規(guī)則自動抓取有效信息的程序或腳本，目前在搜索引擎、數(shù)據(jù)挖掘、信息存檔等方向應用十分廣泛。網(wǎng)絡(luò)爬蟲按照實現(xiàn)的技術(shù)原理可以分為通用網(wǎng)絡(luò)爬蟲、主題網(wǎng)絡(luò)爬蟲、增量網(wǎng)絡(luò)爬蟲和深層網(wǎng)絡(luò)爬蟲。網(wǎng)絡(luò)爬蟲的實現(xiàn)過程主要由控制器、解析器和資源庫三部分組成，控制器是負責給多線程中的各個爬蟲線程分配工作任務(wù)，解析器是對爬取的網(wǎng)頁進行解析，資源庫即采用數(shù)據(jù)庫進行數(shù)據(jù)存儲[4]。

2.2 Map Reduce分布式框架

Map Reduce是一個并行計算與運行的軟件框架。它將整個計算過程劃為Map和Reduce兩個并行運算任務(wù)，實現(xiàn)在集群節(jié)點上自動分配和執(zhí)行任務(wù)并收集計算結(jié)果。用戶在使用該框架時只要實現(xiàn)Map和Reduce兩個接口，無需關(guān)心底層構(gòu)架，大大減少了軟件開發(fā)人員的負擔[5]。

2.3 MySQL數(shù)據(jù)庫

MySQL數(shù)據(jù)庫是目前軟件開發(fā)中被廣泛應用的開源數(shù)據(jù)庫，其具有穩(wěn)定、高效、易于開發(fā)的優(yōu)點。爬蟲模塊共設(shè)計三張數(shù)據(jù)庫表，分別是微言信息表、評論信息表、圖書信息表。數(shù)據(jù)分析模塊也包含三張數(shù)據(jù)庫表，分別為圖書屬性信息表、處理結(jié)果信息表、作者信息表。

3 系統(tǒng)功能結(jié)構(gòu)設(shè)計

基于數(shù)據(jù)挖掘的圖書推薦系統(tǒng)主要包括以下三個模塊：爬蟲模塊、數(shù)據(jù)分析模塊、可視化模塊，系統(tǒng)總體設(shè)計如圖1所示。本章將對各功能模塊進行設(shè)計說明。

圖1 系統(tǒng)總體設(shè)計圖

3.1 爬蟲模塊

爬蟲模塊是一個抓取微博網(wǎng)站數(shù)據(jù)集的爬蟲程序，主要對基于主題關(guān)鍵詞搜索的博文以及其評論等信息進行數(shù)據(jù)采集。其主要實現(xiàn)流程如下，如圖2所示。

（1）用戶cookie的獲取與模擬登錄。我們在爬取網(wǎng)站信息時先要登錄網(wǎng)站，一般可以通過cookie進行模擬登錄來解決。第一步是通過對網(wǎng)頁數(shù)據(jù)進行抓包與分析獲取cookie信息，然后使用get方法傳入cookie獲取網(wǎng)頁爬取信息。

（2）多線程抓取。網(wǎng)頁上的評論數(shù)據(jù)過多，我們不能通過for循環(huán)一個一個地下載，所以必然要使用多線程，然后把數(shù)據(jù)隊列放入線程池去處理。

（3）多用戶切換防止反爬蟲。限制爬蟲程序訪問服務(wù)器資源和獲取數(shù)據(jù)的行為稱為反爬蟲。為了應對反爬蟲機制，可采用動態(tài)設(shè)置User-Agent策略，即隨機切換User-Agent的值，以模擬不同用戶的瀏覽器信息。

（4）實現(xiàn)HTTP請求報文的生成。為了獲取新浪微博平臺的數(shù)據(jù)，必須向新浪微博服務(wù)器發(fā)送數(shù)據(jù)請求報文進行數(shù)據(jù)請求?？墒褂胷equests庫的get方法進行HTTP請求，其使用requests方法的語法格式如下：rq=request.get(‘目標網(wǎng)址’)[6]。

（5）實現(xiàn)HTTP返回報文的接收和解壓。每向open.weibo.com發(fā)送一個HTTP請求數(shù)據(jù)包后，都可以獲得相應的返回數(shù)據(jù)包。分析HTTP響應報文中的Content-Length參數(shù)可以獲取數(shù)據(jù)長度，讀取響應報文頭中的Content-Encoding值可獲取壓縮格式，調(diào)用對應的解壓方法進行報文解壓。當然，返回的數(shù)據(jù)也并不是每一次都正確，我們可通過數(shù)據(jù)格式判斷其是否正確，當數(shù)據(jù)格式不正確或不完整時，則直接丟棄報文，并打印數(shù)據(jù)格式錯誤信息[7]。

（6）對解壓后的json文件進行分析和信息提取，利用第三方函數(shù)庫對得到的json字符串進行解析，提取我們需要的字段內(nèi)容，并存入到數(shù)據(jù)庫中。將爬蟲獲取的數(shù)據(jù)存入數(shù)據(jù)庫，需要在pipeline里完成，pipeline的功能默認是關(guān)閉的，要在settings.py中開啟數(shù)據(jù)入庫命令。

（7）對待抓取和已抓取的URL建立緩存機制。對每個入庫函數(shù)都開啟一個獨立的線程。當相應的緩存容器中的數(shù)據(jù)達到一定的數(shù)量時，對數(shù)據(jù)容器進行鎖定，暫停相應的爬蟲函數(shù)，開始對數(shù)據(jù)進行入庫。入庫后將該數(shù)據(jù)從緩存容器刪除，然后解除容器鎖定，繼續(xù)爬蟲[8]。

圖2 爬蟲模塊實現(xiàn)流程

3.2 數(shù)據(jù)分析模塊

數(shù)據(jù)分析模塊主要包含關(guān)鍵詞提取、情感分析、屬性關(guān)系網(wǎng)構(gòu)建三個子功能模塊。

（1）關(guān)鍵詞提?。涸摴δ軌K使用基于語義的中文文本關(guān)鍵詞提?。⊿KE）算法[9]從每條微博中提取關(guān)鍵詞?；陉P(guān)鍵詞的出現(xiàn)頻率進行統(tǒng)計，我們從中選擇出頻率最高的50個關(guān)鍵詞，將其存入數(shù)據(jù)庫中用于后續(xù)的情感分析，其實現(xiàn)流程如圖3所示。

圖3 關(guān)鍵詞提取實現(xiàn)流程

（2）情感分析：在該模塊中，對微博中的每條信息進行分詞處理后，利用情感分析算法將其歸類為積極情緒和消極情緒，并計算每種情緒所占百分比，將其保存到數(shù)據(jù)庫中[10]。其實現(xiàn)流程如圖4所示。

圖4 情感分析實現(xiàn)流程

（3）屬性關(guān)系網(wǎng)構(gòu)建：通過構(gòu)建屬性關(guān)系網(wǎng)，用戶可以點擊該網(wǎng)絡(luò)中的任何節(jié)點并查看與其相關(guān)聯(lián)的信息。例如，某個作者還出版了哪些圖書。其實現(xiàn)流程如圖5所示[11]。

圖5 屬性關(guān)系網(wǎng)實現(xiàn)流程

3.3 可視化模塊

可視化模塊是系統(tǒng)的展示模塊，當用戶在系統(tǒng)首頁輸入一個圖書名稱時，界面將會呈現(xiàn)出來三個功能，包括關(guān)鍵詞3D云圖、情感分析餅圖、圖書屬性關(guān)系網(wǎng)。其實現(xiàn)過程如圖6所示。

關(guān)鍵詞云圖：可將系統(tǒng)中關(guān)于該圖書出現(xiàn)頻率較高的關(guān)鍵詞以可視化形式展現(xiàn)出來，它能過濾掉大量低頻低質(zhì)的文本信息，讓用戶在短時間內(nèi)對某本圖書的評價信息能一目了然。

情感分析餅圖：心理學研究發(fā)現(xiàn)人們普遍有從眾心理，人們對某個物品的喜好或情感狀態(tài)會受到大多數(shù)人的情感影響。比如當你搜索一本未閱讀過的圖書時，網(wǎng)友們對該書籍的評分高低會影響你是否閱讀該書。用戶根據(jù)數(shù)據(jù)分析模塊得到情感分析結(jié)果，可以了解大眾對某本圖書的偏好與評價，有利于用戶進行決策或選擇[12-13]。

圖書屬性關(guān)系網(wǎng)：網(wǎng)絡(luò)上的圖書數(shù)據(jù)是一個多模態(tài)數(shù)據(jù)，比如一本圖書的作者又包含還出版過其他哪些書等信息[14]。關(guān)系網(wǎng)為各個屬性提供了聯(lián)動交互，使用戶可以探索不同維度數(shù)據(jù)之間的關(guān)系。用戶單擊該關(guān)系網(wǎng)中任意節(jié)點可查看與之關(guān)聯(lián)的信息。

圖6 可視化模塊實現(xiàn)流程

4 結(jié)語

本文分析了基于數(shù)據(jù)挖掘的圖書推薦系統(tǒng)的實際需求，并對系統(tǒng)的設(shè)計展開描述。對圖書信息進行數(shù)據(jù)挖掘，獲取圖書信息，然后對數(shù)據(jù)進行清洗和處理。并在此基礎(chǔ)上進行情感分類研究，為讀者提供可視化結(jié)果。本系統(tǒng)不僅能節(jié)約讀者尋找圖書資源的時間，為讀者提供更加有效的圖書推薦，同時也能使出版社與編輯及時了解大眾對圖書的評價與反饋，并對后續(xù)的圖書內(nèi)容與經(jīng)營策略等方面起到輔助作用。