摘 要

近年来随着阿里、腾讯等网络巨头公司介入网络小说领域，小说IP受到影视行业和资本市场的追捧，网络作家和网络小说不断增加，网络小说行业蓬勃发展。但是读者在大量的网络小说的信息洪流中，难以高效准确的找到感兴趣的作品，这就是信息过载在网络小说领域的体现。这时候使用本推荐系统能有效解决读者的信息过载问题。

本文主要研究了基于项目的协同过滤算法在网络小说个性化推荐服务上的实际应用。并基于C/S模式架构设计思想，前端采用时下流行的MVVM框架—React-native，后端采用同样非常流行的koa框架，数据库则采用MySQL管理，开发网络小说推荐app。系统功能模块主要包括了：个人书架、小说搜索、排行榜、小说推荐、评论信息流等。

本论文的主要研究内容是以下三个方面：

1. 引入网络小说作品的流行惩罚因子改进了基于项目的协同过滤算法。
2. App开发采用MVVM架构，前后端分离。
3. React-native一套代码能够编译成ios和andriod应用，减少重复开发。

研究结果表明：使用基于项目的协同过滤推荐算法能高效准确的帮助读者找到感兴趣的小说。

关键词：协同过滤；推荐系统；Koa；React-native

Abstract

In recent years, with Internet giants such as Ali and Tencent intervening in the field of network novels, the IP of novels has been sought after by the film and television industry and the capital market. The number of online writers and online novels has continued to increase, and the network fiction industry has flourished. However, readers are unable to efficiently and accurately find interesting works in the flood of information in a large number of online novels. This is the embodiment of information overload in the field of network novels. At this time, using this recommendation system can effectively solve the information overload problem of readers.

This paper mainly studies the practical application of project-based collaborative filtering algorithm in personalized recommendation service of network novels. Based on the C/S mode architecture design concept, the front end adopts the popular MVVM framework—React-native. The back end uses the same very popular koa framework. The database uses MySQL management to develop the network novel recommendation app. The system function module mainly includes: personal bookshelf, novel search, ranking list, novel recommendation, commentary information flow and so on.

The main contents of this paper are the following three aspects:

(1) Introducing the popular penalty factor of network novels to improve the project-based collaborative filtering algorithm.

(2) App development adopts the MVVM architecture, where the front and back ends are separated.

(3) React-native set of code can be compiled into ios and andriod applications and reducing repetitive development.

The results of this research show that using project-based collaborative filtering recommendation algorithm can help readers find interesting novelss efficiently and accurately.

Key Words：Collaborative filtering；Recommendation system；Koa；React-native

目录

第1章 绪论 1

1.1 目的和意义 1

1.2 国内外的研究现状 1

1.2.1 国外的研究现状 1

1.2.2 国内的研究现状 2

1.3 主要研究内容和论文结构 3

第2章 小说推荐系统结构设计 4

2.1 需求分析 4

2.1.1目标用户分析 4

2.1.2系统功能需求分析 4

2.2 理论基础 5

2.2.1 推荐算法分析 5

2.2.2 应用软件架构分析 5

2.3 设计方案论证 6

2.2.1 小说推荐算法方案论证 6

2.2.2 软件架构方案论证 7

2.4 本章小结 8

第3章 小说推荐系统的设计 9

3.1 小说推荐算法设计 9

3.1.1 相似度计算改进 10

3.1.2 解决用户冷启动问题 11

3.2 软件架构设计 11

3.3 数据库设计 12

3.4 功能模块设计 14

3.4.1 用户注册 14

3.4.2 用户登录 15

3.4.3 小说搜索 15

3.4.4 收藏小说 15

3.4.5 评论小说 16

3.4.6 个性化推荐 17

3.4.7 相似小说推荐 17

3.4.8 阅读小说 17

3.4.9 浏览排行榜 17

3.4.10 评论信息流 17

3.5 客户端UI设计 17

3.5.1 色盘 17

3.5.2 设计图 18

3.6 服务端设计 19

3.6.1 用户认证方式 19

3.6.2 接口设计 19

3.6.3 接口响应数据格式设计 20

3.6 本章小结 21

第4章 小说推荐系统的实现与测试 22

4.1 推荐算法的实现 22

4.2 软件的实现 24

4.2.1 移动客户端开发 24

4.2.2 服务端开发 28

4.2.3 数据库搭建 30

4.3 小说推荐系统的测试 32

4.3.1 小说推荐效果测试 32

4.3.2 应用软件的单元测试 33

4.3.3 应用软件的兼容性测试 35

4.4 本章小结 35

第5章 总结与展望 36

5.1 总结 36

5.2 展望 36

致谢 37

参考文献 38

第1章 绪论

本章主要阐述了本设计的目的和意义，接着就推荐系统在国内外的研究现状和实际应用情况进行分析总结，然后概括本文的基本研究内容，最后详细说明了本文内容的组织结构。

1.1 目的和意义

随着起点中文网、纵横中文网、塔读文学网、掌阅文化网、17K小说网、磨铁中文网、逐浪网等小说平台不断壮大，以及各大互联网公司介入网络小说市场，包括网易云阅读、阿里旗下阿里文学，腾讯阅文集团收购盛大文学等，中国网络小说行业迅速发展。

同时随着网络小说IP受到影视行业和资本市场的追捧，市场对小说ip价值进行多样式开发：改编漫画、影视、游戏和服装、玩具等周边产品。如《盗墓笔记》《鬼吹灯》《斗破苍穹》改编了电视剧、电影并且有相应手游，票房收视率都都极为可观。小说ip价值挖掘已经形成了一个完整的娱乐产业链，作者的收入和身价也随之水涨船高，越来越多的作者加入网络小说的创作中。

小说数目资源原本就非常庞大，在可见的未来，数据会更加庞大。并且随着移动互联网的发展，各个年龄段、各行各业的用户纷纷看起了网络小说。庞大的网络读者群体，巨量的小说信息，在信息的洪流之中，用户反而觉得有压力，在寻找喜爱的小说上所花费的时间和真正阅读小说的时间的比重越来越大，无法有效准确的找到自己喜欢阅读的小说，这就是信息过载在网络小说领域的体现。

本设计就网络小说领域中的信息过载问题，决定采用基于项目的协同过滤算法，搭建小说推荐系统来提供精准有效的个性化推荐服务，来满足不同读者的阅读需求。

本系统将利用用户的偏好信息主动为用户提供个性化推荐服务，不断调整和完善所提供的推荐结果，实时更新。这样不仅节省用户对小说的筛选时间，方便了用户，也提高小说的浏览量和订阅，提高网站和作者的收入。

1.2 国内外的研究现状

1.2.1 国外的研究现状

近年来，基于深度学习的推荐系统研究越来越受国际学术界和工业界关注，ACM 推荐系统年会在 2016 年专门召开了第一届基于深度学习的推荐系统研究专题研讨会，研讨会指出深度学习将是推荐系统的下一个重要方向。

当前国外推荐系统普遍应用于各个领域。Google搜索引擎根据用户输入的关键词和搜索历史，给用户提供个性化的搜索结果。Google news根据新闻的实时性、热点性和用户的阅读历史来给用户推送新闻。 Amazon 作为全球著名的商务网站，主要采用基于项目的推荐算法和协同过滤推荐算法，推荐商品给用户，例如经典案例：“啤酒”与“尿布”放在一起卖。在影视娱乐行业，Pandora和Netflix，能给用户推荐非常好的听觉服务和影片服务，Netflix 的推荐系统比赛在推荐算法领域更是影响颇大。在社交领域，Facebook和Twitter在整个平台中随处可见推荐技术的应用，好友彼此推荐分享、推荐各种用户感兴趣的动态、推荐著名明星用户、推荐热门新闻等等。

1.2.2 国内的研究现状

国内对推荐算法的研究，基本上是在协同过滤、基于内容和混合算法的基础上进行更多的创新和优化。例如，文章^[[1]]针对传统协同过滤推荐算法评分矩阵稀疏和推荐精度不高的问题，提出评分矩阵填充的解决方法来进行改进；文章^[[2]] 中在基于项目的协同过滤算法中，引入了物品时间差因素和用户共同评分权重，提高项目邻居计算的准确性；文章^[[3]] 在相似度外增加了另一维度—信任度，将其与相似度线性加权作为新的权重进行推荐，改善了用户冷启动问题和数据稀疏问题。

国内学者进一步采用混合算法的方式来改进各算法，融合两种或者多种的推荐算法，取长补短，改进推荐效果。例如，文章^[[4]]作者在新闻推荐系统中，融合了基于内容的推荐算法和协同过滤算法，得到兼具个性化和多样性的用户兴趣模型，并且解决了用户冷启动问题。^{[5][6][7][8][9][10][11][12][13][14][15]}

在中国网络市场中，豆瓣电影、今日头条等产品在提供个性化推荐服务上非常成功。豆瓣在传统图书、电影上的评分推荐占据该领域的最大份额；今日头条则是在短短五年内融资到110亿美元，凭借着一套完善的基于数据挖掘的推荐系统给用户提供个性化的阅读推荐，截止至2017年8月，拥有2.4亿活跃用户，是网络市场新闻领域的主导者。在中国网络市场上，个性化推荐系统在多个领域都有出色的表现。如表1.1所示，是国内应用个性化推荐系统较为成功的平台或产品。

表1.1 应用个性化推荐的平台或产品

1.3 主要研究内容和论文结构

本文的主要研究内容由以下部分构成：

（1）了解个性化推荐的相关发展历史，深入学习推荐算法的相关理论。

（2）以基于项目的协同过滤算法为本设计推荐算法，并进行算法改进，在计算小说相似度中引入流行惩罚因子，有效过滤了流行小说的影响，改善了推荐结果的准确率。针对协同过滤算法的新用户冷启动问题，采取了排行榜推荐、评论信息流推荐的方法进行解决。

（3）用react-native koa框架搭建一个小说推荐应用软件，能够基于小说的评分信息，给用户提供多种推荐：用户个性化推荐、相似小说推荐、排行榜推荐、评论信息流推荐。

论文一共分为六个章节，内容组织安排如下：

第1章分析了设计小说推荐系统的目的意义，了解推荐算法在国内外的现状，说明了本文主要研究内容。

第2章对常见的推荐算法和应用软件架构做了分析，结合本设计实际情况和需求分析设计并论证了本系统的总体结构。

第3章设计了本系统的推荐算法和软件架构，进一步引入流行惩罚因子改进了推荐算法，提出了两个方法解决新用户冷启动问题，详细说明了软件架构：功能模块设计、数据库设计，客户端UI设计、服务端设计。

第4章具体实现了本设计的推荐算法、应用软件，并对推荐算法效果和应用软件进行了测试。主要对推荐算法进行了准确率测试，对推荐系统进行了单元测试和兼容性测试。测试结果表明改进的推荐算法有效提高了推荐结果的准确率，推荐系统达到预期的使用效果。

第5章总结了本文设计的小说推荐系统的特点和成果，提出了后续研究的展望。

第2章 小说推荐系统结构设计

推荐系统的结构组成是：推荐算法和具体应用软件。推荐算法是实现推荐服务的的核心基础，而应用软件是推荐系统的具体实现。本章就系统功能需求进行分析，然后就推荐算法和应用软件的相关技术理论进行学习并分析不同技术的优缺点，最后基于理论分析和实际情况设计本系统的架构方案：使用React-naïve koa开发应用软件，基于项目的协同过滤算法提供推荐技术支持。

2.1 需求分析

只有能够高效准确的给用户找到感兴趣的小说或能够准确发掘出用户隐藏的小说偏好的小说推荐系统才能够节省用户的时间，同时给用户带来更好的小说阅读盛宴。因此在设计本系统架构时，首先要做好需求分析工作。

2.1.1目标用户分析

根据用户使用系统的情况，可将本小说推荐系统的用户分为两种：一种是从没有体验过本系统服务的新用户，一种是之前已经体验过本系统服务的老用户。

对于老用户而言，他们之前使用过本系统服务，熟悉本系统的使用，知道怎么使用本系统可以有效找到感兴趣的小说。对于这类用户，本推荐系统会不断优化系统，让用户对本系统提供的服务体验越来越好、越来越信任，建立用户粘性。而对系统的新用户，系统将提供非个性化推荐：排行榜和评论信息流，让用户去发现喜欢的小说。

2.1.2系统功能需求分析

本节主要分析本系统的功能需求：

（1）用户注册、登录：用户若想使用本推荐系统，必须注册成为本系统的用户，登录后才能享有本系统的各种推荐服务。

（2）搜索：用户可以自由输入小说标题或者部分关键词进行模糊搜索，能够搜索到小说并进一步得到该小说的相似推荐。

（3）收藏：用户可将任意小说加入书架进行收藏，在个人书架中查看所有收藏的小说。

（4）评论：用户可任意评论一本小说。

（5）用户个性化推荐：对于有偏好数据的用户，系统将会给出准确有效的个性化推荐。

（6）相似小说推荐：用户如果特别喜欢一本小说，可以查看与该小说相似的作品。

（7）排行榜浏览：给用户提供非个性化推荐，无论用户是否有偏好数据，可以给用户推荐新颖小说。

（8）小说阅读：用户可任意阅读一本小说。

2.2 理论基础

推荐系统的核心部分是推荐算法，离开了各种推荐算法的支持，系统的个性化推荐服务是无法完成的，而系统的应用软件是推荐系统的具体实现，离开了具体应用软件推荐算法就成了空中楼阁。因此需要分析不同推荐算法和不同软件架构的优缺点后，然后结合实际情况才能设计出一个有价值且性价比高的推荐系统。

2.2.1 推荐算法分析

推荐算法主要包括：协同过滤推荐算法、基于内容的推荐算法、基于知识的推荐算法和混合推荐算法。

协同过滤推荐算法的原理是：偏好相似的用户会有相似的偏好作品，用户喜欢相似的作品。简单的说就是：人以类聚，物以群分。利用用户的历史偏好信息计算用户或项目之间的距离，然后根据距离的远近选择最近的多个邻居，最后根据邻居信息对特定项目进行加权计算得到其评价值，系统根据评价值来对目标用户进行推荐。该算法的优点是：自动化程度高，推荐结果新颖、预测精度较高，缺点是：冷启动问题、推荐结果不具有很好的可解释性。

基于内容的推荐算法的原理是：给用户推荐和他过去偏好的项目内容相似的项目。需要用机器学习的方法从项目具体内容中学习出项目的特征描述，从用户的历史数据学习出此用户的喜好特征，计算两个特征的相似度，按相似度大小取最大的前N个项目作为推荐结果。常用的机器学习方法有决策树、神经网络和基于向量的表示方法等。由于用户的喜好特征基于用户的历史数据，用户喜好特征会随着用户的偏好行为改变而发生变化。该算法的优点是：无需评分等其他数据要求、无冷启动问题、解释性强，缺点是：推荐结果内容重复（拟合现象）、多媒体内容难以提取内容特征。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：