【资源聚合平台】6/6日工作日志
梁惠欣
尝试加入摘要生成的接口并做了以下改动（重要）
knowledge加入content_digest字段，使用时应先判断是否为nil！如果为nil请调用knowledge_digest 50（摘取前50字）。
需要做迁移
给项目添加了后端执行队列，依赖redis，按照以下步骤安装：
1.执行 bundle install
2.执行 sudo apt-get install redis-server
3.启动服务 sudo service redis-server start
4.输入redis-cli
5.不显示连接错误，且输入ping后打印PONG则安装正确
6.启动队列，执行命令 sidekiq
显示如下
1、2只需要安装时执行
但3-6sidekiq需要在业务逻辑（主要是添加knowledge时生成摘要，若不启动则无法正常生成）执行时常驻启动。
所以c9长时间未打开初始化之后需要重复3-6步骤……当然如果更改不涉及添加knowledge则无所谓……
邵长旭
今天主要的工作做了质量审核方面的工作：
对于外部的爬取文章，我们采用的方式是将于访问量来完成的，首先通过初始化函数求出已经审核通过的文章的访问量的均值：
private static void getAverageParameter(ArrayList<Knowledge> knowledge_list) {
// TODO Auto-generated method stub
TextSimilarity similarity = new CosineSimilarity();
int sum = 0;
for(int i=0;i<knowledge_list.size();i++){
sum += Integer.parseInt(knowledge_list.get(i).view_number);
}
average_viewNum = sum/(knowledge_list.size());
}然后当访问量小于该均值时，以小概率通过，目的是给那些访问量小的，见解独特的文章一些通过的机会，防止数据的过拟合：
//访问量指标
if(Integer.parseInt(knowledege.view_number)<average_viewNum){
//当观看量比平均值小时，已0.35概率推荐，大时以0.9概率推过
double pass_pro = r.nextDouble();
if(pass_pro>0.65){
canPass = false;
return canPass;
}
}
else if(Integer.parseInt(knowledege.view_number)>=average_viewNum){
double pass_pro = r.nextDouble();
if(pass_pro>0.1){
canPass = false;
return canPass;
}
}接下来对文章进行预处理，去除不能显示的字符和各类空格、换行符：
//内容预处理
String content = knowledege.article_content;
content = content.replace("\\s", "");
content = content.replace("\n", "");
content = content.replace("\r", "");
char[] oldChars = new char[content.length()];
content.getChars(0, content.length(), oldChars, 0);
char[] newChars = new char[content.length()];
int newLen = 0;
for (int j = 0; j < content.length(); j++) {
char ch = oldChars[j];
if (ch >= ' ' && ch < 127 || (ch>=0x4E00 &&ch <= 0x9FA5)) {
newChars[newLen] = ch;
newLen++;
}
}
content = new String(newChars, 0, newLen);
content = content.toLowerCase();
if(content.equals("")){
canPass = false;
return canPass;
}接下来是提取内容的关键词，使用的是FNLP中的算法：
String app = System.getProperty("user.dir");
StopWords sw= new StopWords(app+"/models/stopwords");
CWSTagger seg = null;
try {
seg = new CWSTagger(app+"/models/seg.m");
} catch (LoadModelException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
AbstractExtractor key = new WordExtract(seg,sw);
//System.out.println(key);
CNFactory factory = null;
try {
factory = CNFactory.getInstance("models");
} catch (LoadModelException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
String[] cixingWithContent = key.extract(content, 30, true).replace("{","").replace("}","").split(", ");并且进行了改进，加入了词性的分析，只允许名词和形容词作为关键词，大大增加了准确率：
String result = factory.tag2String(content);
String[] cixing = result.split(" ");
Map<String, String> cixingMap = new HashMap<String, String>();
for(int i=0;i<cixing.length;i++){
String[] re = cixing[i].split("/");
cixingMap.put(re[0], re[1]);
}
ArrayList<String> result_with_cixing = new ArrayList<String>();
for(int i=0;i<cixingWithContent.length;i++){
String s = cixingWithContent[i];
String[] re = s.split("=");
if(re[0].length()<=1){
continue;
}
if((cixingMap.get(re[0])==null)||!(cixingMap.get(re[0]).equals("名词")||cixingMap.get(re[0]).equals("形容词"))){
continue;
}
else{
result_with_cixing.add(s);
}
}王子悦
知识图谱的生成就用了前天的思路，仔细考虑了一下，发现就是前项事件集和后项事件集做二分图连接，前项事件集内做全连接，遍历即可。之后还加了底图，就是所有在用户数据中出现过的2-序列，也一并画在图里了，没有的话只有一个主干显得有些单薄，虽然我并不知道这样好不好。具体需不需要要将来跑一跑实际数据集才知道。做出来之后效果还蛮不错（对测试数据集采取了40%的支持度）：
emmmm这是个那个图的关联矩阵，不用关心自连接那种东西，数值代表频繁程度。和测试数据集比对着看了一下，的确很符合我直观的感觉，可以算是比较成功了。这部分的代码：
package aprioriAll;import java.util.HashSet;
import java.util.Map;
import java.util.Set;
import java.util.Vector;public class GraphCalculator {
AprioriAllCalculation ap; SequenceRecommender sr; int[][] graph; public GraphCalculator() { ap = new AprioriAllCalculation(); ap.aprioriAllProcess(); } public static void main(String[] args) { // TODO Auto-generated method stub GraphCalculator gc = new GraphCalculator(); gc.generateGraph(); gc.addBaseGraph(); gc.addFreqSeqGraph(); gc.output(gc.graph); gc.generateRecmend(); } private void generateRecmend() { // TODO Auto-generated method stub sr = new SequenceRecommender(ap.resultSet); Vector<Integer> freqSeq = sr.matchSequence(ap.data); System.out.println(freqSeq); for (Integer integer : freqSeq) { } } private int[][] generateGraph() { // TODO Auto-generated method stub int itemCount = ap.itemList.size(); graph = new int[itemCount][itemCount]; return graph; } private int[][] addBaseGraph() { // TODO Auto-generated method stub ap.generateSeq_2(); Vector<Vector<String>> seqs = ap.seq_2; Map<String, Integer> itemToIndex = ap.itemMaps;// 对每一个2-序列 连接对应边
for (Vector<String> seq : seqs) {
graph[itemToIndex.get(seq.get(0))][itemToIndex.get(seq.get(1))]++;
}
return graph;
}// 把前面的和后面的链接起来，链接前后一样的抛弃，把里面的全连接
public int[][] addFreqSeqGraph() {
// ap.generateSeq_2();
// int itemCount = itemList.size();
// int[][] graph = new int[itemCount][itemCount];
Vector<Vector<Vector<String>>> resultSet = ap.resultSet;
Map<String, Integer> itemToIndex = ap.itemMaps;
// 对每个序列
for (int i = 0; i < resultSet.size(); i++) {
Vector<Vector<String>> seq = resultSet.get(i);
// 对序列中的每个事件集
for (int j = 0; j < seq.size(); j++) {
Vector<String> itemSet = seq.get(j);
// 对事件集中的每一个事件
for (int k = 0; k < itemSet.size(); k++) {
// 与其他事件全连接
for (int k2 = k; k2 < itemSet.size(); k2++) {
graph[itemToIndex.get(itemSet.get(k))][itemToIndex.get(itemSet.get(k2))]++;
graph[itemToIndex.get(itemSet.get(k2))][itemToIndex.get(itemSet.get(k))]++;
}
// 如果不是序列中最后一个事件集
if (j < seq.size()-1) {
Vector<String> nextItemSet = seq.get(j+1);
// 链接序列中后一个事件集中的每个事件
for (int l = 0; l < nextItemSet.size(); l++) {
graph[itemToIndex.get(itemSet.get(k))][itemToIndex.get(nextItemSet.get(l))]++;
}
}
}
}
// 直接采用全部频繁序列的方法 已抛弃
// for (int j = 0; j < seq.size()-1; i++) {
// Vector<String> curItemSet = seq.get(i);
// Vector<String> nextItemSet = seq.get(i+1);
//
//// if (curItemSet.size() == 1) {
// if (nextItemSet.size() == 1) {
// int cur = this.ap.itemMaps.get(curItemSet.get(0));
// int next = this.ap.itemMaps.get(nextItemSet.get(0));
// graph[cur][next]++;
// } else if (nextItemSet.size() > 1) {
// if (nextItemSet.contains(curItemSet.get(0))) {
//
// }
// }
//
// }
// }
}
return graph;
}private Set<String> countingItem(Vector<Vector<Vector<String>>> resultSet) { // TODO Auto-generated method stub Set<String> itemSet = new HashSet<String>(); for (Vector<Vector<String>> vector : resultSet) { for (Vector<String> vector2 : vector) { for (String item : vector2) { itemSet.add(item); } } } return itemSet; } private void output(int[][] graph) { System.out.println(ap.itemList); for (int i = 0; i < graph.length; i++) { for (int j = 0; j < graph.length; j++) { System.out.print(graph[i][j] + "\t"); } System.out.println(); } }}
然后是频繁序列匹配，这里采用了用户序列中的最近2-序列来匹配频繁序列，并且匹配到最长的那条。代码：
package aprioriAll;import java.io.BufferedReader;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.util.HashSet;
import java.util.Set;
import java.util.StringTokenizer;
import java.util.Vector;public class SequenceRecommender {
/**
* 最大频繁序列集合
*/
Vector<Vector<Vector<String>>> sequenceSet;
/**
* 用户数据集
*/
private Vector<Vector<Vector<String>>> data;
/**
* 用户数
*/
private int numUsers;
/**
* 输入间隔符
*/
private String itemSep = " ";/** * 构造器 * @param sequenceSet 使用AprioriAll生成的最大频繁序列 */ public SequenceRecommender(Vector<Vector<Vector<String>>> sequenceSet) { this.sequenceSet = sequenceSet; } /** * 序列匹配方法1 使用从文件来的新数据 推荐使用本方法并只采用每个用户最近两个事务的数据 否则很难匹配到频繁序列 * @param configFile 配置文件路径 * @param dataFile 数据文件路径 * @return 返回每个用户匹配到的最大序列 */ public Vector<Integer> matchSequence(String configFile,String dataFile) { getConfig(configFile); getUserData(dataFile); return matchSequenceAction(); } /** * 序列匹配方法2 使用传递来的用户数据 * @param data 用户数据 例如生成频繁序列的用户数据 * @return 返回每个用户匹配到的最大序列 */ public Vector<Integer> matchSequence(Vector<Vector<Vector<String>>> data) { this.data = data; return matchSequenceAction(); } /** * 序列匹配 * 检查用户数据的最近2-序列是否是某个最大频繁序列的子序列 如果是 返回所有匹配到的频繁序列中最长的 * @return */ private Vector<Integer> matchSequenceAction() { cutData(); Vector<Integer> maxSeqs = new Vector<>(); // 对每个用户的最近序列 for (Vector<Vector<String>> user : data) { int maxSize = 0; int maxIndex = -1; // 检查每个频繁序列 for (int i = 0; i < sequenceSet.size(); i++) { Vector<Vector<String>> freq = sequenceSet.get(i); Vector<Vector<String>> userSeq = new Vector<Vector<String>>(user); Vector<Vector<String>> freqSeq = new Vector<Vector<String>>(freq); while (userSeq.size() > 0 && freqSeq.size() > 0) { // 检查是否可以匹配到这个序列（用了一种“跳过不匹配”的巧妙方式） if (equalSet(userSeq.get(0),freqSeq.get(0))) { userSeq.remove(0); } else { freqSeq.remove(0); } // 匹配到而且匹配到的最大序列更长 记录下来 if (userSeq.size() == 0 && freq.size() > maxSize) { maxIndex = i; maxSize = freq.size(); } else { } } } maxSeqs.add(maxIndex); } return maxSeqs; } /** * 检查两个事件集是否相等的辅助方法 * @param vector 第一个事件集 * @param vector2 第二个事件集 * @return 作为集合是否相等 */ private static boolean equalSet(Vector<String> vector, Vector<String> vector2) { Set<String> set1= new HashSet<String>(vector); Set<String> set2= new HashSet<String>(vector2); if (set1.equals(set2)) { return true; }else { return false; } } /** * 裁剪数据集 只使用最近两个事务 否则很难匹配到序列 */ private void cutData() { Vector<Vector<Vector<String>>> tempData = new Vector<>(); for (Vector<Vector<String>> user : data) { int size = user.size(); if (size > 2) { Vector<Vector<String>> cutUser = new Vector<>(); cutUser.add(user.get(size-2)); cutUser.add(user.get(size-1)); tempData.add(cutUser); } else { tempData.add(user); } } data = tempData; } /** * 读取数据库中的数据，生成一个以三维数组表示的数据集 * @param dataFile 数据文件路径 */ private void getUserData(String dataFile) { data = new Vector<Vector<Vector<String>>>(); FileInputStream file_in; // 文件输入流 BufferedReader data_in; // 数据输入流 StringTokenizer stFile; try { // 加载数据文件 file_in = new FileInputStream(dataFile); data_in = new BufferedReader(new InputStreamReader(file_in)); int i = 0; while (i < numUsers) { // 获取序列 Vector<Vector<String>> sequence = new Vector<Vector<String>>(); while (true) { stFile = new StringTokenizer(data_in.readLine(), itemSep); if (stFile.countTokens() == 0) { break; } else { // 获取序列中的事件桶 Vector<String> basket = new Vector<String>(); while (stFile.hasMoreTokens()) { // 获取事件桶中的事件并添加 String item = stFile.nextToken(); basket.add(item); } // 添加到序列 sequence.add(basket); } } // 添加到事务集 data.add(sequence); i++; } } catch (IOException e) { System.out.println(e); } } /** * 获取配置 * 暂时只包括用户个数 * @param configFile 配置文件路径 */ private void getConfig(String configFile) { try { FileInputStream file_in = new FileInputStream(configFile); BufferedReader data_in = new BufferedReader(new InputStreamReader(file_in)); // 事务（用户）数 numUsers = Integer.valueOf(data_in.readLine()).intValue(); // 输出到控制台 System.out.print("\n " + numUsers + " users, "); System.out.println(); // 输出测试 事务数// output(numTransactions + “\n”);
} catch (IOException e) {
System.out.println(e);
}
}}
输出给图谱计算器类的是每个用户匹配到的频繁序列的编号，但是这个效果就不是太好：
五个数据就匹配到一个。不过这是有道理的，我的频繁序列就拿他们生成的，那么他们几个肯定已经学到序列的尽头了，再加上每个人都有自己的独特学习兴趣，用最近事件集匹配不到不足为奇。这个应该是给没有学完的人来推荐学习路径的，也很符合我们的认知。
所以我在考虑给匹配不到学习路径的人推荐其他相关课程，比如推荐最近学习较多的事件在图中相连且未被该用户学习过的频繁度最高的事件之类的，或者应用比较传统的协同过滤，这个明后天再说吧。
上一篇： go常用命令
下一篇： IMS/SIP学习（3）——注册过程