論生物信息學(xué)系統(tǒng)設(shè)計中引進推薦系統(tǒng)

1、論生物信息學(xué)系統(tǒng)設(shè)計中引進推薦系統(tǒng)    畢業(yè)論文     推薦系統(tǒng)(Recommender System) 1是個性化信息服務(wù)的主要技術(shù)之1，職稱論文發(fā)表它實現(xiàn)的是“信息找人，按需服務(wù)”；通過對用戶信息需要、興趣愛好和訪問歷史等的收集分析，建立用戶模型，并將用戶模型應(yīng)用于網(wǎng)上信息的過濾和排序，從而為用戶提供感興趣的資源和信息。生物信息學(xué)(Bioinformatics)2,3是由生物學(xué)、應(yīng)用數(shù)學(xué)和計算機科學(xué)相互交叉所形成的1門新型學(xué)科；其實質(zhì)是利用信息科學(xué)的方法和技術(shù)來解決生物學(xué)問題。20世紀(jì)末生物信息學(xué)迅速發(fā)展，

2、在信息的數(shù)量和質(zhì)量上都極大地豐富了生物科學(xué)的數(shù)據(jù)資源，而數(shù)據(jù)資源的急劇膨脹需要尋求1種科學(xué)而有力的工具來組織它們，基于生物信息學(xué)的2次數(shù)據(jù)庫4能比較好地規(guī)范生物數(shù)據(jù)的分類與組織，但是用戶無法從大量的生物數(shù)據(jù)中尋求自己感興趣的部分（著名的生物信息學(xué)網(wǎng)站NCBI(美國國立生物技術(shù)信息中心)，僅僅是小孢子蟲(Microsporidia)的DNA序列就達3 399種），因此在生物2次數(shù)據(jù)庫上建立個性化推薦系統(tǒng)，能使用戶快速找到自己感興趣的生物信息。特別是在當(dāng)前生物信息數(shù)據(jù)量急劇增長的情況下，生物信息學(xué)推薦系統(tǒng)將發(fā)揮強大的優(yōu)勢。 1推薦系統(tǒng)的工作流程 應(yīng)用在不同領(lǐng)域的推薦系統(tǒng)，其體系結(jié)構(gòu)也不完全相同。1

3、般而言，推薦系統(tǒng)的工作流程5如圖1所示。 (1)信息獲取。推薦系統(tǒng)工作的基礎(chǔ)是用戶信息。用戶信息包括用戶輸入的關(guān)鍵詞、項目的有關(guān)屬性、用戶對項目的文本評價或等級評價及用戶的行為特征等，所有這些信息均可以作為形成推薦的依據(jù)。信息獲取有兩種類型6，即顯式獲取(Explicit)和隱式獲取(Implicit)，由于用戶的很多行為都能暗示用戶的喜好，因此隱式獲取信息的準(zhǔn)確性比顯式高1些。 (2)信息處理。信息獲取階段所獲得的用戶信息，1般根據(jù)推薦技術(shù)的不同對信息進行相應(yīng)的處理。用戶信息的存儲格式中用得最多的是基于數(shù)值的矩陣格式，最常用的是用m×n維的用戶項目矩陣R來表示，矩陣中的每個元素Ri

4、j=第i個用戶對第j個項目的評價，可以當(dāng)做數(shù)值處理，矩陣R被稱為用戶項目矩陣。 (3)個性化推薦。根據(jù)形成推薦的方法的不同可以分為3種，即基于規(guī)則的系統(tǒng)、基于內(nèi)容過濾的系統(tǒng)和協(xié)同過濾系統(tǒng)?；谝?guī)則的推薦系統(tǒng)和基于內(nèi)容過濾的推薦系統(tǒng)均只能為用戶推薦過去喜歡的項目和相似的項目，并不能推薦用戶潛在感興趣的項目。而協(xié)同過濾系統(tǒng)能推薦出用戶近鄰所喜歡的項目，通過用戶與近鄰之間的“交流”，發(fā)現(xiàn)用戶潛在的興趣。因此本文所用的算法是基于協(xié)同過濾的推薦算法。 (4)推薦結(jié)果。顯示的任務(wù)是把推薦算法生成的推薦顯示給用戶，完成對用戶的推薦。目前最常用的推薦可視化方法是TopN列表7，按照從大到小順序把推薦分值最高的

5、N個事物或者最權(quán)威的N條評價以列表的形式顯示給用戶。 2生物信息學(xué)推薦系統(tǒng)的設(shè)計 綜合各種推薦技術(shù)的性能與優(yōu)缺點，本文構(gòu)造的生物信息學(xué)推薦系統(tǒng)的總體結(jié)構(gòu)如圖2所示。 生物信息學(xué)推薦系統(tǒng)實現(xiàn)的主要功能是在用戶登錄生物信息學(xué)網(wǎng)站時，所留下的登錄信息通過網(wǎng)站傳遞到推薦算法部分；推薦算法根據(jù)該用戶的用戶名從數(shù)據(jù)庫提取出推薦列表，并返回到網(wǎng)站的用戶界面；用戶訪問的記錄返回到數(shù)據(jù)庫，系統(tǒng)定時調(diào)用推薦算法，對數(shù)據(jù)庫中用戶訪問信息的數(shù)據(jù)進行分析計算，形成推薦列表。 本系統(tǒng)采用基于近鄰的協(xié)同過濾推薦算法，其結(jié)構(gòu)可以進1步細(xì)化為如圖3所示。算法分為鄰居形成和推薦形成兩大部分，兩部分可以獨立進行。這是該推薦系統(tǒng)有別

6、于其他系統(tǒng)的優(yōu)勢之1。由于信息獲取后的用戶項目矩陣維數(shù)較大，使得系統(tǒng)的可擴展性降低。本系統(tǒng)采用SVD矩陣降維方法，減少用戶項目矩陣的維數(shù)，在計算用戶相似度時大大降低了運算的次數(shù)，提高了推薦算法的效率。     (1)信息獲取。用戶對項目的評價是基于用戶對某1個項目(為表示簡單，以下提及的項目均指網(wǎng)站上的生物物種)的點擊次數(shù)來衡量的。當(dāng)1個用戶注冊并填寫好個人情況以后，系統(tǒng)會自動為該用戶創(chuàng)建1個“信息矩陣”，該矩陣保存了所有項目的ID號以及相應(yīng)的用戶評價，保存的格式為：S+編號+用戶評價，S用于標(biāo)記項目，每個項目編號及其評價都以“S”相隔開；編號是唯1的，

7、占5位；用戶評價是用戶點擊該項目的次數(shù)，規(guī)定其范圍是0100，系統(tǒng)設(shè)定當(dāng)增加到100時不再變化。這樣做可防止形成矩陣時矩陣評價相差值過大而使推薦結(jié)果不準(zhǔn)確。 (2)信息處理。信息處理是將所有用戶的信息矩陣轉(zhuǎn)換為用戶項目矩陣，使用戶信息矩陣數(shù)值化，假設(shè)系統(tǒng)中有M個用戶和N個項目，信息處理的目的就是創(chuàng)建1個M×N的矩陣R，RIJ代表用戶I對項目J的評價。 (3)矩陣處理。協(xié)同過濾技術(shù)的用戶項目矩陣的數(shù)據(jù)表述方法所帶來的稀疏性嚴(yán)重制約了推薦效果，而且在系統(tǒng)較大的情況下，它既不能精確地產(chǎn)生推薦集，又忽視了數(shù)據(jù)之間潛在的關(guān)系，發(fā)現(xiàn)不了用戶潛在的興趣，而且龐大的矩陣增加了計算的復(fù)雜度，因此有必要

8、對該矩陣的表述方式做優(yōu)化，進行矩陣處理。維數(shù)簡化是1種較好的方法，本文提出的算法應(yīng)用單值分解(Singular Value Decomposition，SVD)技術(shù)8，對用戶項目矩陣進行維數(shù)簡化。 (4)相似度計算。得到降維以后的用戶矩陣US，就可以尋找每個用戶的近鄰。近鄰的確定是通過兩個用戶的相似度來度量的。本文采用Pearson相關(guān)度因子9求相似度。(5)計算用戶鄰居。該方法有兩種10，即基于中心的鄰居(CenterBased Neighbor)和集合鄰居(Aggregate Neighbor)。本系統(tǒng)采用了第1種方法，直接找出與用戶相似度最高的前N個用戶作為鄰居，鄰居個數(shù)N由系統(tǒng)設(shè)定，比

9、如規(guī)定N5。 (6)推薦形成。推薦形成的前提是把當(dāng)前用戶的鄰居ID號及其與當(dāng)前用戶的相似度保存到數(shù)據(jù)庫中，而在前面的工作中已找出各用戶的鄰居以及與用戶的相似度，推薦形成部分只需要對當(dāng)前登錄用戶進行計算。推薦策略是：對當(dāng)前用戶已經(jīng)訪問過的項目不再進行推薦，推薦的范圍是用戶沒有訪問的項目，其目的是推薦用戶潛在感興趣的項目；考慮到系統(tǒng)的項目比較多，用戶交互項目的數(shù)量很大，所以只篩選出推薦度最大的N個項目，形成TopN推薦集，設(shè)定N5。 3生物信息學(xué)推薦系統(tǒng)的實現(xiàn) 生物信息學(xué)推薦系統(tǒng)的實現(xiàn)可以用圖4來表示。數(shù)據(jù)庫部分主要存儲用戶信息和項目信息，用SQL Server 2000實現(xiàn)。 數(shù)據(jù)訪問層實現(xiàn)了與

10、用戶交互必需的存儲過程以及觸發(fā)器，也使用SQL Server 2000，主要完成以下功能：初始化新用戶信息矩陣；插入新項目時更新所有用戶的信息矩陣；用戶點擊項目時更新該用戶對項目的評價；刪除項目時更新所有用戶的信息矩陣。用戶訪問層主要涉及網(wǎng)頁與用戶的交互和調(diào)用數(shù)據(jù)訪問層的存儲過程，在這里不做詳細(xì)的介紹。 (2)數(shù)據(jù)操作類DataControl。該類負(fù)責(zé)推薦算法與數(shù)據(jù)庫的數(shù)據(jù)交換，靜態(tài)成員Con調(diào)用DataCon. getcon()獲得數(shù)據(jù)庫連接，然后對數(shù)據(jù)庫進行各種操作。把所有方法編寫成靜態(tài)，便于推薦算法中不創(chuàng)建對象就可以直接調(diào)用。 (3)RecmmendSource與CurrentUserN

11、eighbor。這兩個類作為FCRecommand類的內(nèi)部類，RecmmendSource用于保存當(dāng)前用戶的推薦列表，包括推薦項目號和推薦度；CurrentUserNeighbor用于保存鄰居信息，包括鄰居ID號、相似度及其訪問信息。 (4)協(xié)同過濾推薦算法FCRecommand。該類實現(xiàn)了整個推薦算法，主要分為鄰居形成方法FCArithmetic和推薦形成方法GenerateRecommend。    下面給出方法FCArithmetic的關(guān)鍵代碼： Matrix user_item=this.User_Item_Arry(); /獲取用戶項目矩陣 u

12、ser_item=this.SVD_Calculate(user_item); /調(diào)用SVD降維方法 Vector c_uservector = new Vector(); /當(dāng)前用戶向量 Vector o_uservector = new Vector(); /其他用戶向量 Vector c_user_correlate_vector = new Vector(); /當(dāng)前用戶與其他用戶之間相似度向量 for(int i=0;ifor(int j=0;jc_uservector.addElement(user_item.get(i,j); /1.獲得當(dāng)前用戶向量 for(int k=0;k

13、o_uservector.clear(); for(int l=0;lo_uservector.addElement(user_item.get(k,l); /2.獲得其他用戶的向量 /3.計算當(dāng)前用戶與其他用戶的相似度 usercorrelativity=this.Correlativity(c_uservector,o_uservector); c_user_correlate_vector.addElement(usercorrelativity); /4.根據(jù)當(dāng)前用戶與其他用戶的相似度，計算其鄰居 this.FindUserNeighbor(i,c_user_correlate_vec

14、tor); 根據(jù)鄰居形成方法FCArithmetic，可以得到每個用戶的鄰居。作為測試用例，圖6顯示用戶Jack與系統(tǒng)中1部分用戶的相似度，可以看出它與自己的相似度必定最高；并且它與用戶Sugx訪問了相同的項目，它們之間的相似度也為1，具有極高的相似度。 4結(jié)束語 在傳統(tǒng)推薦系統(tǒng)的基礎(chǔ)上，結(jié)合當(dāng)前生物信息學(xué)網(wǎng)站的特點，提出1個基于生物信息平臺的推薦系統(tǒng)，解決了傳統(tǒng)生物信息網(wǎng)站平臺信息迷茫的缺點，為用戶推薦其感興趣物種的DNA或蛋白質(zhì)序列。 優(yōu)點在于協(xié)同過濾的推薦算法能發(fā)現(xiàn)用戶潛在的興趣，能促進生物學(xué)家之間的交流；推薦算法的鄰居形成與推薦形成兩部分可以單獨運行，減少了系統(tǒng)的開銷。進1步的工作是分

15、析生物數(shù)據(jù)的特點及生物數(shù)據(jù)之間的關(guān)系，增加用戶和項目數(shù)量，更好地發(fā)揮推薦系統(tǒng)的優(yōu)勢。 參考文獻： 1PAUL R，HAL R V. Recommender systemsJ.Communications of the ACM，1997,40(3): 5658. 3林毅申, 林丕源.基于Web Services的生物信息解決方案J. 計算機應(yīng)用研究, 2005,22(6): 157158,164.4邢仲璟, 林丕源, 林毅申.基于Bioperl的生物2次數(shù)據(jù)庫建立及應(yīng)用J. 計算機系統(tǒng)應(yīng)用, 2004(11): 5860. 5AIRIA S, TAKAHISA A, HIROYA I,et al

16、. Personalization system based on dynamic learning:International Semantic Web ConferenceC.Sardinia:s.n.,2002. 6BREESE J S, HECKERMAN D,KADIE C.Emperical analysis of predictive algorithms for collaborative filtering:proceedings of the Fourteenth Conference on University in Artificial IntelligenceC. Madison:WI,1998:4352. 7SCHAFER J B, KONSTAN J,RIEDL J.Recommender systems in ecommerce:proceedin