Apriori 改進算法和Django 框架在高校圖書精準推薦系統中的應用

朱小琴

（泉州經貿職業技術學院信息系，福建泉州 362000）

面對數量龐大的圖書資源，如何讓同學們快速而準確找到自己需要的書目，并以此提高同學們的整體閱讀水平和圖書借閱頻次，是當前圖書館管理人員需要考慮的首要問題[1]。在大數據環境和人工智能技術不斷前進的背景下，可以利用數據挖掘算法，并利用當前流行的Python 之Web 框架-Django 框架，結合高校學生的實際特點，設計出具有智能功能的圖書推薦模型，并實現在線智能圖書精準推薦系統。

1 Apriori 算法和改進過程

Apriori 算法作為數據挖掘中的一種經典算法，能利用數據中的關聯度，挖掘數據之間的強關聯原則。文中的基礎數據來源于學院圖書館的借閱記錄和學生的相關課程成績記錄，通過Apriori 算法的數據挖掘功能，挖掘出用戶借閱數據庫和課程歷史成績數據庫中的一些關聯規則，從而提煉出用戶的個性化圖書選擇興趣和專業相關圖書類型，從而精準、個性化地為讀者提供主動化推薦，進而提升讀者的人文素養和專業素養水平[2]。

Apriori 算法經常用來挖掘事物屬性與最終結果之間的相關程度，專業層面上一般稱之為關聯分析或者關聯規則學習。關聯分析或者關聯規則學習，主要通過挖掘算法從大規模數據集中尋找頻繁項集和關聯規則，從而得出有利于分析的數據結果集。關聯分析中有2 個基本概念，即頻繁項集和關聯規則。

頻繁項集：沒有人為或者機器干預，但是會經常出現在一起的物品或者屬性的集合。頻繁項集評估對應的三個要素是支持度、置信度和提升度。

支持度：找出幾個關聯的數據，并統計其在總數據集中所出現的次數，然后除以數據集的項目總數，對應的數值就是支持度，另外的一種定義是統計幾個數據關聯出現的概率。支持度的公式為（其中X 和Y 為用戶想分析關聯性的兩個操作數據）：

置信度：兩個數據同時出現的概率，或者說數據的條件概率。置信度的公式為（其中X 和Y 為用戶想分析關聯性的兩個操作數據）：

提升度：在數據交易記錄集中，假定已經含有物品Y,計算出同時含有物品X 的概率，把此概率與X 物品在總記錄集中的概率進行對比，得到的數值就是提升度。

根據上述公式，可以推出1）當提升度>1，則X＜=Y 是可行、有效的強關聯規則；2）若提升度<=1,則X＜=Y 是對用戶數據挖掘無效的強關聯規則；3）若提升度為1，則表明X 和Y 相互獨立，不存在任何關聯，此時P(X|Y)=P(X)。從事務數據記錄集中去挖掘和創建頻繁數據集，需要有對應的評估標準來判別數據的可用性。用戶自定義的支持度，或是自定義支持度、置信度共同組成的復合條件以及對應的提升度值的計算是目前最常用的評估標準。

關聯規則：利用已經搜集到的頻繁項集，挖掘物品或者屬性之間存在的內在關系。對于給定事務的集合T，關聯規則發現是指找出支持度大于等于Minsup 并且置信度大于等于Minconf 的所有規則。

Apriori 算法的常規執行過程分為2 個步驟：一是掃描事務數據庫，找出頻繁項集；二是設定最小支持度和最小置信度復合條件，挖掘數據之間的關聯規則，并生成數據項集。在海量數據下，Apriori 算法的時間復雜度與空間復雜度的量級較為龐大，工作效率低下。為了提升Apriori 算法的執行效率，需要對Aprior 算法進行改進，有專家提出了基于矩陣的改進算法，對應的步驟為：1)進行一次全局掃描數據庫，然后生成一個上三角矩陣，對上三角矩陣進行分析;2)直接生成頻繁1 項集TL1、頻繁2 項集TL2 及候選3 項集TC3，該步驟解決了傳統非改進Apriori 算法執行過程中產生過多的候選2 項集TL2 的問題，同時也減少了頻繁2 項集TL2 自連接后進行剪枝的步驟；3)對事務數據庫進行第二次掃描時，需要把數據庫中對計算支持度產生作用且項數不小于3 的候選項集統計出來，并構造一個鏈表，進而提高算法的執行效率[3]。對于要實現的圖書智能推薦系統，Apriori 改進算法在此處的執行過程為：從原有的圖書管理系統中的讀者借閱模塊中獲取讀者專業信息、讀者信息、借閱圖書類型信息和讀者年級信息等數據，對此類數據進行清洗、集成、轉換等預處理，并基于倒三角形矩陣的Apriori 改進算法進行多維度關聯規則分析，挖掘圖書數據與數據之間的關聯規則，找出對應的借閱規律、讀者專業需求信息和個人喜好信息，構建TOP-N 推薦圖書在線列表，從而為讀者進行精準、主動和個性化推薦。

2 系統需求分析和Django 框架介紹

通過前期需求分析，了解了用戶的個性化需求，依此設計出基于B/S 結構的如圖1 模式的系統功能模塊模型圖。

圖1 系統功能模塊模型圖

為了完成該功能模塊的網站架構，引入了目前流行的開源、免費web 開發框架-Django 框架[4]，該框架擁有高度定制的ORM 和大量的API，有簡單靈活的UI 編寫功能。其工作流程如圖2 所示：

圖2 Django 框架工作流程圖

不同于傳統的MVC 架構，Django 框架使用MVT 模式進行數據的展示與處理[5]，見圖3。

圖3 MVT 模式圖

3 基于Apriori 改進算法的智能圖書推薦系統的實現過程

為了實現主動、個性化推薦，圖書推薦系統需要主動掌握用戶的個性化偏好，并在此基礎上基于數據挖掘算法進行智能化、精準化推薦。推薦系統的核心技術是推薦算法，根據系統的功能差異，將推薦系統子模塊框架設計為后端基礎數據支撐層、中間數據分析和處理層、前端智能服務顯示層3 部分，如圖4 所示。

圖4 三層系統結構圖

其中中間層是推薦系統的核心層，包括數據采集、數據清洗等，通過數據的前期處理，深度挖掘用戶的興趣、專業信息和已有借閱歷史信息；利用Apriori 改進算法對數據進行計算、按照分值綜合排序得到推薦列表，從而展示、推送給前端的智能服務推薦層，達到為用戶個性化推薦服務的目的[6]。

3.1 挖掘后端基礎數據

圖書推薦系統的推薦模塊需要挖掘用戶的真實、個性化需求，從而進行主動、精準、智能化推薦。首先需要挖掘讀者用戶的信息，包括基于網絡爬蟲技術生成用戶個性化信息數據庫，現有圖書館的館藏資源庫和已有借閱模塊的借閱數據庫。通過對這些數據進行采集、清洗，得到需要進行推算計算和推薦處理的原始數據。

3.2 中間數據分析與處理-即挖掘圖書關聯規則過程

利用前一個步驟挖掘得到的各項信息數據庫，采用Apriori 改進算法進行計算和推薦，其中Apriori 改進算法的工作流程如下:

Section1：利用前期準備好的符合項目訓練的事務數據庫，全過程掃描，掃描之后創建含有2 項集的支持度矩陣S。

Section2：基于先前自行假定的最小支持度，在此最小支持度基礎上，再次遍歷矩陣，從而得到1項集L1、2 項集L2 與候選3 項集C3。

3.3 前端智能推薦模塊

做好中間層的數據分析處理后，就可以基于B/S模式實現系統模塊的功能，由于前端面板和后臺管理模塊只需要在Django 框架上進行操作，所以智能推薦的過程就比較容易實現。流程圖如圖5 所示。

圖5 智能推薦過程圖

在流程圖步驟安排下，根據前端版面的色彩搭配和布局要求，結合原有的圖書管理系統的主題特點，上線圖書推薦模塊。其中對應的推薦TOP-N 圖書列表目錄，是從后端的動態實時分析結果中導出的，根據時間和用戶的不同狀態情況，及時、精準地推薦圖書給用戶。為了更好地挖掘用戶的需求，需要設計一個在線圖書推薦結果評價反饋模塊，及時收集用戶的反饋意見和額外需求，并不斷修正和動態調整TOP-N 推薦列表，從而更好地達到符合用戶個性化需求和專業學習的需要，提高用戶的借閱頻次，提升學院的圖書借閱率、廣大師生的閱讀水平和同學的專業技能學習綜合能力。

4 結論

針對大數據時代用戶擁有海量數據的環境，分析當前圖書管理系統中的不足之處，引入數據挖掘推薦算法-Apriori 算法，分析其工作原理、優缺點。針對Apriori 算法存在的執行海量數據推薦時出現的效率低下問題，加入了基于矩陣的Apriori 改進算法，并結合Python 中的web 開發流行框架Django 框架，設計和實現了智能圖書推薦系統模型，為高校的個性化、精準圖書推薦提供了技術支持和解決方案，更好地為高校的讀者提供圖書推薦和智能化管理服務，從而提升學生的人文素養水平和專業技能等綜合素質水平。