【番剧推荐系统设计】基于 Flask 与 MySQL 实现番剧推荐系统（Python代码）（2）

推荐系统的实现

一、实验简介

1.1 实验介绍

本节实验我们将在上一节实验的基础上实现推荐系统的核心部分。

1.2 知识点

本节实验中我们将学习并实践下列知识点：

• Jinja2模板引擎的使用
• http请求的处理
• 复杂sql查询的使用
• 简单的推荐算法

二、基础知识

• 路由： Flask 支持用 route() 装饰器把一个函数绑定到对应的 URL 上，从而实现路由功能。

如下图代码所示，实现了 URL /hello 和 / 两个地址的访问请求处理：

from flask import Flask
app=Flask(__name__)
@app.route('/')
def index():
    return "hello"
if __name__=="__main__":

二、简单推荐算法实现

本节实验中我们实现的推荐算法比较简单，基本思路：

1. 找到用户所喜爱的番剧；
2. 分析这些番剧的类别（一个番剧可能有多个标签），进行统计排序；
3. 找到前三个标签，从数据库中找到同时具有这三个标签的番剧（喜欢的不能再推荐）；
4. 将番剧相关信息（name，brief）进行展示。
   SQL 数据库操作的实现上述的思路1 和 思路2：

#下面代码实现得到用户所喜欢top3类型
 sql='''select style_id   from
        (select user_id,style_id from 
        (select user_id,anime_id as id from user_anime where user_id=%s) as s 
        natural join anime natural join 
        (select anime_id as id,style_id from anime_style) as n
         )as temp group by style_id order by count(user_id) desc limit 3;'''%user

其中下图所划去的一行内容对应思路1，即从 user_anime 表中查询用户和喜欢的番剧数据对：

(select user_id,anime_id as id from user_anime where user_id=%s) as s

剩下的两个 select 操作由以下代码共同完成：

#建立三个类别番剧的set（集合），并取交集，即得到同时有三个类型标签的番剧
    s=set(anime[str(lis[0])])&set(anime[str(lis[1])])&set(anime[str(lis[2])])
 
    #建立用户喜欢番剧的集合
    loveSet=set(love)
    #如果系统得到的所有番剧用户均已看过了即loveSet>s，就从Top1类型即最喜欢的类型中挑选一个
    #这里我们默认数据库量够大，即用户没有把一个类别的所有番剧看完
    if loveSet>s:
        s=set(anime[str(lis[0])])
 
    #把集合转化为列表以待随机函数的使用
    set_lis=[]
    for i in s:
        set_lis.append(i)
    #从结果中随机挑选
    recommend=choice(set_lis) 
    #直至挑选到用户没看过的
    while  recommend in love:
        recommend=choice(set_lis)

上图中的红线部分较重要，其中第二个红线部分用了 Python 的 Set 数据结构以取交集。love 是喜欢番剧的列表，choice() 函数是随机取一个。while 循环中保证不取与喜欢的重复的，这里还考虑一个问题，就是你得到的交集是喜欢集合的子集，如果不加判断将会导致死循环，所以这种情况拿出来判断，如果出现这种情况就从用户最喜欢类别中拿出一个番剧。

完整代码实现在 recommend.py 文件中，代码如下：

# -*- coding: utf-8 -*-
"""
Created on Thu Aug 25 18:47:40 2016
@author: Albert
"""
 
from random import choice
import MySQLdb
 
def recommend(user):
    #连接数据库
    DB=MySQLdb.connect("localhost","root","1234","recommend")
    #获得数据库游标
    c=DB.cursor()
 
    #下面代码为实现从数据库中得到用户user所喜欢的番剧编号，以便判断重复
    love=[]
    #sql语句
    sql="select anime_id  from user_anime where user_id=%s"%user
    c.execute(sql)
    #得到结果集
    results=c.fetchall()#得到的数据数组赋给results
    for line in results:
        love.append(line[0])#得到字典赋给新的数组存放
 
    #下面代码实现得到用户所喜欢top3类型
    sql='''
    select style_id   from
        (select user_id,style_id from 
        (select user_id,anime_id as id from user_anime where user_id=%s) as s 
        natural join anime natural join 
        (select anime_id as id,style_id from anime_style) as n
         )as temp group by style_id order by count(user_id) desc limit 3;'''%user
 
    c.execute(sql)
    results=c.fetchall()
    lis=[]
    anime={}
    for (line,) in results:
        lis.append(line)
    for i in lis:
        #从番剧信息的数据库中得到Top3各个类别的所有番剧并存入anime字典中
        sql="select anime_id from anime_style where style_id="+str(i)+";"
        c.execute(sql)
        results=c.fetchall()  
        anime_lis=[]
        for result in results:
            anime_lis.append(result[0])
        #类型为key，值为存放番剧数据的列表
        anime[str(i)]=anime_lis 
    #建立三个类别番剧的set（集合），并取交集，即得到同时有三个类型标签的番剧
    s=set(anime[str(lis[0])])&set(anime[str(lis[1])])&set(anime[str(lis[2])])
 
    #建立用户喜欢番剧的集合
    loveSet=set(love)
    #如果系统得到的所有番剧用户均已看过了即loveSet>s，就从Top1类型即最喜欢的类型中挑选一个
    #这里我们默认数据库量够大，即用户没有把一个类别的所有番剧看完
    if loveSet>s:
        s=set(anime[str(lis[0])])
 
    #把集合转化为列表以待随机函数的使用
    set_lis=[]
    for i in s:
        set_lis.append(i)
    #从结果中随机挑选
    recommend=choice(set_lis) 
    #直至挑选到用户没看过的
    while  recommend in love:
        recommend=choice(set_lis)
    dic={}
    #得到推荐番剧的相关信息，返回以待使用，显示
    sql="select name,brief from anime where id="+str(recommend)+";"
    c.execute(sql)
    results=c.fetchall()
    dic['name']=results[0][0]
    dic['brief']=results[0][1]
 
    DB.close()
    return dic

四、推荐系统的实现及部署

4.1 app.py 的实现

系统运行的启动我们使用 Flask 实现在 app.py 文件中，详细代码：

# -*- coding: utf-8 -*-
from flask import Flask,render_template,request
import recommend#同文件下导入
app=Flask(__name__)
@app.route('/')#表示传递一个网站，“/”是网站的主目录，也就是http://127.0.0.1:5000/
def index():
    return render_template('index.html')
@app.route('/search/')
def search():
    #request为全局变量可得到用户输入信息
    n=request.args.get('user')
    #调用推荐函数
    dic=recommend.recommend(n)#recommend下使用推荐算法
    #用返回结果进行模板渲染
    return render_template('search.html',Data=dic)
if __name__=="__main__":
    app.run(debug=True)

其中，render_template 为模板渲染函数，第一个参数为模板，第二个为要传的数据。

4.2 模板文件实现

其中模板文件 index.html 和 search.html 都在 templates 文件夹中（这是 Flask 默认设置的）。templates文件夹在项目工程中。如图：

index.html 页面提供进入系统的首页，及查询输入的数据框，实现代码：

<!doctype html>
</html>
<head><title>Recommend</title>
<style type="text/css"> 
#body{
text-align:center;
}
#content{
margin-left:25%;
}
</style> 
</head>

<body>
  <div id="body">
  <br/><br/><br/><br/><br/><!--<br/>表示空格-->
  <br/><br/><br/><br/><br/>
  <form name="input" action="/search/" method="get">
  <br/><br/>
  User Number: 
  <input type="text" name="user" />
  <input type="submit" value="Search" />
  </form>
</body>
</div>
</html>

search.html 页面提供输出结果，实现代码：

<!doctype html>
</html>
<head><title>Recommend</title>
<style type="text/css"> 
.videoshow{
border-bottom:5px solid #EFEFEF;
padding:20px 10% 20px 20px;
margin:30px 25% 30px 5%;
}
#body{
text-align:center;
}
#content{
margin-left:25%;
}
</style>
</head>
 
<body>
    <div id="body">
    <form name="input" action="/search/" method="get">
    <br/><br/>
    User Number: 
    <input type="text" name="user" />
    <input type="submit" value="Search" />
    </form>
    <br/><br/>
    <div id="content">
    <div class="videoshow">
    <p class="title">{{Data['name']}}</p>
    <p class="Introduction">{{Data['brief']}}</p>
    </div>
    </div>
    </div>
</body>
</html>

现在就完成了整个系统的构建和编码。

4.3 测试启动

在spyder软件，运行 app.py 后，，打开浏览器访问 localhost:5000，你会进入 index.html 界面。
输入用户编号1

点击 search 按钮后，你将会进入 search 界面：

解释一下界面内容，a为推荐番剧的名称，A为推荐番剧的简介。至此，我们的简单推荐系统完成。

五、总结

本次实验我们用 Flask 框架和 Mysql 数据库完成了简单的番剧推荐系统。最后成功为我们输入的用户推荐了一个没有看过的番剧，并通过网页显示出来。相信大家通过此，不仅了解到 Flask 使用和数据库的使用，还懂得推荐系统的基本原理。大家可以对推荐算法进行进一步的优化，以有更好的效果。