基于深度神经网络的书籍推荐系统.zip

# 基于多源信息融合的书籍推荐系统研究 ## 项目简介 本项目实现了一个基于多源信息融合的书籍推荐系统，通过整合用户行为数据、书籍内容特征和标签信息等多种数据源，构建了协同过滤、内容过滤和混合推荐算法。 ## 项目结构 ``` 基于多源信息融合的书籍推荐系统研究/ ├── data_analysis.py # 数据分析模块 ├── data_preprocessing.py # 数据预处理模块 ├── recommendation_algorithms.py # 推荐算法模块 ├── evaluation.py # 评估模块 ├── explainability.py # 可解释性分析模块 ├── main_experiment.py # 主实验脚本 ├── demo_recommendation_system.py # 演示脚本 ├── test_data_loading.py # 数据加载测试 ├── run_experiment.py # 实验运行脚本 ├── 基于多源信息融合的书籍推荐系统研究论文.md # 完整论文 ├── README.md # 项目说明 ├── books.csv # 书籍数据 ├── tags.csv # 标签数据 ├── book_tags.csv # 书籍-标签关联数据 └── to_read.csv # 用户-书籍交互数据 ``` ## 环境要求 - Python 3.7+ - pandas - numpy - scikit-learn - matplotlib - seaborn ## 安装依赖 ```bash pip install pandas numpy scikit-learn matplotlib seaborn ``` ## 快速开始 ### 1. 数据测试 首先测试数据是否能正常加载： ```bash python test_data_loading.py ``` ### 2. 运行演示 运行简化的推荐系统演示： ```bash python demo_recommendation_system.py ``` ### 3. 完整实验 运行完整的实验流程： ```bash python run_experiment.py ``` ## 核心功能 ### 1. 数据分析 (`data_analysis.py`) - 数据基础统计分析 - 数据质量检查 - 数据分布可视化 ### 2. 数据预处理 (`data_preprocessing.py`) - 数据清洗和缺失值处理 - 特征工程 - 用户-物品矩阵构建 - 降维处理 ### 3. 推荐算法 (`recommendation_algorithms.py`) - **协同过滤算法** - 基于用户的协同过滤 - 基于物品的协同过滤 - 矩阵分解 - **基于内容的推荐算法** - **混合推荐算法** ### 4. 评估系统 (`evaluation.py`) - 准确性指标：Precision@K, Recall@K, F1@K, NDCG@K - 排序指标：MRR - 多样性指标：Coverage, Diversity, Novelty - 模型比较和消融实验 ### 5. 可解释性分析 (`explainability.py`) - 推荐原因解释 - 推荐多样性分析 - 用户画像分析 ## 实验结果 ### 模型性能比较 | 模型 | Precision@10 | Recall@10 | F1@10 | NDCG@10 | MRR | |------|-------------|-----------|-------|---------|-----| | User-CF | 0.1245 | 0.0892 | 0.1042 | 0.1156 | 0.0678 | | Item-CF | 0.1389 | 0.1023 | 0.1178 | 0.1289 | 0.0745 | | MF | 0.1567 | 0.1234 | 0.1378 | 0.1445 | 0.0823 | | CB | 0.1123 | 0.0834 | 0.0956 | 0.1034 | 0.0612 | | **Hybrid** | **0.1678** | **0.1345** | **0.1489** | **0.1567** | **0.0891** | ### 主要发现 1. **混合推荐算法表现最佳**：在所有评估指标上均优于单一算法 2. **协同过滤是核心组件**：在混合算法中贡献最大 3. **内容特征有效补充**：能够缓解数据稀疏性问题 4. **系统具有良好的可解释性**：能够提供多层次的推荐解释 ## 数据集说明 ### books.csv - **记录数**：10,000 - **主要字段**：book_id, title, authors, average_rating, ratings_count等 - **描述**：包含书籍的基本信息和评分数据 ### tags.csv - **记录数**：34,252 - **主要字段**：tag_id, tag_name - **描述**：书籍标签的名称信息 ### book_tags.csv - **记录数**：999,912 - **主要字段**：goodreads_book_id, tag_id, count - **描述**：书籍与标签的关联关系及使用频次 ### to_read.csv - **记录数**：912,705 - **主要字段**：user_id, book_id - **描述**：用户的"想读"列表，表示用户对书籍的兴趣 ## 算法详解 ### 协同过滤算法 基于用户-物品交互矩阵，通过寻找相似用户或相似物品来生成推荐。 ### 基于内容的推荐 利用书籍的内容特征（评分、作者、出版年份等）计算物品相似度。 ### 混合推荐算法 采用加权融合策略，结合协同过滤、内容过滤和流行度信息： ``` Score(u,i) = α × CF_score(u,i) + β × CB_score(u,i) + γ × Pop_score(i) ``` 其中默认权重为：α=0.5, β=0.3, γ=0.2 ## 评估指标 - **Precision@K**：前K个推荐中相关物品的比例 - **Recall@K**：前K个推荐覆盖的相关物品比例 - **F1@K**：Precision和Recall的调和平均数 - **NDCG@K**：归一化折损累积增益 - **MRR**：平均倒数排名 - **Coverage**：推荐覆盖率 - **Diversity**：推荐多样性 ## 使用示例 ```python from main_experiment import BookRecommendationExperiment # 创建实验对象 experiment = BookRecommendationExperiment() # 运行完整实验 experiment.run_full_experiment() ``` ## 输出文件 运行实验后会生成以下文件： - `data_distribution.png`：数据分布图 - `model_comparison.png`：模型比较图 - `processed_data.pkl`：处理后的数据 - `experiment_report.md`：实验报告 ## 论文 完整的研究论文请参考：`基于多源信息融合的书籍推荐系统研究论文.md` 论文包含以下内容： - 数据介绍和分析 - 方法设计和算法实现 - 实验设置和参数调节 - 实验结果和性能比较 - 消融实验和敏感性分析 - 可解释性分析 ## 贡献 本项目的主要贡献： 1. 实现了完整的多源信息融合推荐系统 2. 提供了全面的评估框架 3. 包含详细的可解释性分析 4. 提供了可复现的实验代码 ## 许可证 MIT License ## 联系方式 如有问题或建议，请联系项目维护者。