基于Qt C++的图书推荐与评论系统源码（GUI+协同过滤推荐）.zip

图书推荐与管理系统(Qmazon) ============= 简介 ------------- 这是本人于本科二年级时修读的"面向对象的程序设计(C++)"的课程作业。该系统实现了一个关于图书的评论与推荐系统，类似亚马逊、当当与豆瓣。该系统使用C++作为编程语言，并使用了Qt程序开发框架完成了程序的可视化，搭建了类似PC版QQ风格的界面，具有很高的美观度。本系统针对图书推荐这一核心功能采用了基于用户的协同过滤算法，并结合基于人口统计学的冷启动推荐算法完成了推荐模块的设计。 数据集 ：http://www2.informatik.uni-freiburg.de/~cziegler/BX/ 数据集三个csv文件请手动去掉文件最后一行的空行！！！！！！！！ 并在编译项目后，将数据放至build目录相应编译模式文件夹下！！！！！！！！ 有对此项目感兴趣的朋友欢迎通过邮件与我交流：zymaa@ruc.edu.cn 或通过Wechat:r7ma_1 系统展示图 ------------- </br>   需求分析 ------------- 此系统对我们提出的需求可以分为前端功能和后端功能，前端功能即普通用户的一些操作功能，包括用户的注册、登录、获取推荐、打分、评论、更改信息、注销账户、查找图书、查找好友等功能，后端功能包括管理员的一些操作功能，包括管理员的登录、添加图书、删除图书、更改图书信息、添加新用户、删除用户、更改用户资料、查找图书、查找用户、注销账户等功能。因此在CLI（命令行界面）下我们需要首先设置登录与注册功能、登陆后根据登录身份的不同来设计可以进行的不同功能。而在GUI（图形用户界面）下我们需要设置登录界面、注册界面、管理员功能界面、用户功能界面、以及用户的各个子功能界面。命令行界面的实现将通过VS、Dev-Cpp来实现，而图形化界面将在CLI代码的基础上通过Qt Creator编译并实现。 类的设计 ------------- 本程序主要的类有两个，其定义在base.h头文件中：图书(book)类与用户(user)类。具体定义及操作可见base.h头文件，这里便不再多说。其函数具体定义在Main.cpp文件中。 文件操作 ------------- #### 1、图书信息 使用 ifstream打开文件后，将每条读入的数据暂存到一个Book类型的newbook中，这本书的所有数据读完之后，将newbook使用 ```c++ books.insert(map<string, Book>::value_type(IS, newbook)); ``` 加入到总的book这个map类型的对象中中。其中IS为newbook的ISBN码，直接用来索引图书。 书的各类信息分隔使用 ```c++ getline(file, value, ';'); IS = string(value, 1, value.length() - 2); ``` 表示读到“；”之前的数据，并且IS的内容是value去掉最前面的“与最后面的”所得。 最后使用```c++file.close();```关闭文件。 #### 2、用户信息 与图书信息的读入过程类似。 #### 3、评分信息 先用ifstream打开文件，之后用 ```c++ getline(file, value, ';'); string(value, 1, value.length() - 2); ``` 读入IS与ID，再直接利用map的索引将信息读入每个信息的对应项之中。并且增加读过这个book的用户信息，与这个user看过的图书信息。 ```c++ users[ID].booksRead.insert(map<string, int>::value_type(IS, rank)); books[IS].usersRead.insert(map<string, int>::value_type(ID, rank)); ``` 最后使用file.close();关闭文件。并且读完用户全部评分信息后，使用迭代器将每个book与每个user的平均评分求出。例下面就是求出每个book的平均分的代码。 ```c++ map<string, Book>::iterator iter = books.begin(); for (; iter != books.end(); iter++) { iter->second.aveRank = iter->second.sum / iter->second.cnt; } ``` #### 4、文件回写 由于又增加修改删除的图书用户等，在使用过一遍系统后要将所有信息全部重新写入。 #####book文件写回 先用ofstream打开文件，之后先写回标题栏。 ```c++ file << "\"ISBN\";\"Book-Title\";\"Book-Author\";\"Year-Of-Publication\";\"Publisher\""<< ";\"Image-URL-S\";\"Image-URL-M\";\"Image-URL-L\"" << endl; ``` 之后将每一类信息写回，双引号使用\”表示。 最后 ```c++ file.close(); ``` 关闭文件。 #####user文件写回。 先用ofstream打开文件，之后先写回标题栏。 ```c++ file2 << "\"User-ID\";\"Location\";\"Age\"" << endl; ``` 之后将每一类信息写回，双引号使用\”表示。 最后 ```c++ file.close(); ``` 关闭文件。 #####rank文件写回。先用ofstream打开文件，之后先写回标题栏。 ```c++ file3 << "\"User-ID\";\"ISBN\";\"Book-Rating\"" << endl; ``` 之后将每一类信息写回，双引号使用\”表示。 最后 ```c++ file.close(); ``` 关闭文件。 基于用户的协同过滤推荐算法 ------------- 对于一个已经读过几本书的用户，我们采用的推荐方法便是采用正常的基于用户的协同过滤算法。基于用户的协同过滤推荐算法的基本思想便是：首先依据依据用户对物品的评价计算出所有用户之间的相似度，之后选出与当前用户最相似的N个用户，再用N个邻居用户对物品的评分，预测当前用户对没有浏览过的物品的可能评分，最后按照预测出的可能评分的高低向当前用户推荐物品。 接下来将对算法的实现进行详细介绍。算法在程序中的位置为recommendsystem1.cpp中的 ```c++ User:: getrecommendation() ``` 首先我们要先进行对与所有用户的相似度计算。计算的基本公式如下：  </br>当我们计算当前用户A与用户B的相似度时，首先我们要先去遍历A读过的书，从这些书里去找到B同样也读过的书，找到相应的书后，这本书便是公式中的p。以上公式可分为三个求和部分，因此函数中我采用了sumup,sumdown1,sumdown2分别累加。之后通过套用公式并对所有其共同读过的书进行累加计算出用户A与B的相似度，并通过第一层类似地计算出A与所有用户的相似度，将相似度存于一个 ```c++ map<string, double>Sims ``` 即当前用户与id为String的用户的相似度。</br> 到这里我们计算出了当前用户与所有用户的相似度，接下来我们便可以选取邻居用户进行预测分数。在这里的邻居用户数我选定为全体用户（27w+），原因是由于数据集本来就是就很稀疏本来能够拥有相似度的用户就很少，因此采用全体用户即可最为准确的进行推荐且不会造成速度上的缓慢。预测公式如下：  首先我们从所有书中去遍历，并筛选出该用户没有读过的书，假定现在我们要预测图书P的预测评分，则接下来去从所有读过P的人中去寻找，找到与当前用户有相似度的用户，按照上边的公式进行计算并累加，便可以计算出P的预测评分。类似地，便可以计算出所有图书的预测评分。在这里我将所有预测评分存在了一个map<string, double> RankPre中，string指的是书的ISBN码，double指评分。</br> 之后便是排序过程，这里我首先写了一个将map中的元素按降序排列并存储在Vector的函数 ```c++ void sortMapByValue(map<string, double>& tMap, vector<pair<string, double> >& tVector) ``` 将之前的Rankpre排序后存于Rvector中，接下来便可以将Rvector前几个元素输出即为推荐图书了。</br> 在计算推荐图书的过程实际上也顺便进行了推荐好友的计算，即相似度Sims已被我们存储。之后再将Sims调用sortMapByValue函数进行降序排列并存于Svector中，再输出前几个元素便为推荐好友。</br> 同时，还有一点值得注意。如果一个用户读过书，但读的书过于少或过于“冷门