[Rails]壁纸推荐网站

简单来说就是一次ITEM CF的尝试。不过壁纸本身的管理也花了不少时间，ITEM CF是最后才做的……

源代码在这里 https://github.com/xnnyygn/get-wallpaper

上面第一行是推荐，第二行是最新的，第三行是热度最高的。
所谓ITEM CF推荐就是根据人得到相似的物品，然后推荐给你。
热度最高是按照下载次数来的。
这些都是在网站日常操作中得到数据，然后通过推荐计算得到的。

普通操作有，上传，下载。

上传时有图片大小限制（1M），分辨率限制（>=800×600）等。
下载时实际是一次裁剪+缩放的过程。

按照原图分辨率和下载分辨率计算分类，然后得到最大区间，缩放。图片操作使用的是ImageMagick。命令是

convert #{original_file_path} -crop #{crop_bound[0]}x#{crop_bound[1]}+#{crop_bound[2]} +#{crop_bound[3]} -resize #{target_width}x#{target_height} #{target_file_path}

1	convert #{original_file_path} -crop #{crop_bound[0]}x#{crop_bound[1]}+#{crop_bound[2]} +#{crop_bound[3]} -resize #{target_width}x#{target_height} #{target_file_path}

图片上传时其实有一次获取分辨率的过程，同样使用ImageMagick，命令是

identify -format ‘%w %h’ #{wallpaper_tmpfile.path}

1	identify –format ‘%w %h’ #{wallpaper_tmpfile.path}

首页左上角其实有一个随机图片。里面用的不是ORDER BY RAND()之类的，因为考虑到数据库的语法不同，所以用了一个变通的方法，最近100张中随机20张。其中随机过程是由ruby完成的。

@wallpapers = Wallpaper.find(
  Wallpaper.order(created_at: :desc).limit(100).pluck(:id).sample(20)
)

@wallpapers = Wallpaper.find(

Wallpaper.order(created_at: :desc).limit(100).pluck(:id).sample(20)

)

图片的存储采用“有用时再生成”的方式，一开始只存储原图，显示缩略图时生成一次，中等缩略图又有一次，下载时再生成。如果有重复使用，那么就只需要一次。图片定期删除，这样可以保证存储不会爆满。如果能根据访问预测图片也可以，不过那个不是本次项目的初衷啦。

推荐是本项目的核心。本次使用mahout作为推荐核心。mahout是Java库，所以使用Java Web作为推荐中心的框架。和Rails的网站使用HTTP通信。
具体来说Rails使用faraday访问推荐中心。推荐中心定时访问Rails网站刷新推荐数据。推荐数据一般1分钟刷新一次。因为是异步刷新，所以问题不大。

mahout本身的功能，本项目用的是第一个。

User and Item based recommenders
Matrix factorization based recommenders
K-Means, Fuzzy K-Means clustering
Latent Dirichlet Allocation
Singular Value Decomposition
Logistic regression classifier
(Complementary) Naive Bayes classifier
Random forest classifier
High performance java collections
A vibrant community

推荐的核心代码

DataModel dataModel = new FileDataModel(new File(filePath));
ItemSimilarity similarity = new PearsonCorrelationSimilarity(dataModel);
Recommender recommender = new GenericItemBasedRecommender(dataModel, similarity); 
recommender.recommend(user_id = 123, max = 10);

DataModel dataModel = new FileDataModel(new File(filePath));

ItemSimilarity similarity = new PearsonCorrelationSimilarity(dataModel);

Recommender recommender = new GenericItemBasedRecommender(dataModel, similarity);

recommender.recommend(user_id = 123, max = 10);

推荐数据，列分别为用户ID，物品ID，分数，时间戳

2,65,5,1417522483 
2,23,3,1417442145 
2,25,3,1417440697 
1,23,3,1417514439 
1,65,3,1417514442 
3,23,5,1417519760 
3,27,3,1417519018 
3,61,3,1417519021 
3,62,2,1417519028 
3,65,5,1417521646 
3,36,5,1417521640 
3,49,3,1417521614 
3,50,3,1417521617 
1,36,3,1417521664 
1,25,5,1417521667

2,65,5,1417522483

2,23,3,1417442145

2,25,3,1417440697

1,23,3,1417514439

1,65,3,1417514442

3,23,5,1417519760

3,27,3,1417519018

3,61,3,1417519021

3,62,2,1417519028

3,65,5,1417521646

3,36,5,1417521640

3,49,3,1417521614

3,50,3,1417521617

1,36,3,1417521664

1,25,5,1417521667

模型关系图

计算分数的代码

def preferences
  data = ”
  WallpaperStat.all.each do |ws|
    score = 0
    score += 2 if ws.download_count > 0
    score += 3 if ws.favorite
    if score == 0
      next
    end

    data << ws.user_id.to_s << ‘,’
    data << ws.wallpaper_id.to_s << ‘,’
    data << score.to_s << ‘,’
    data << ws.updated_at.to_time.to_i.to_s << “\n”
  end
  render text: data
end

def preferences

data = ”

WallpaperStat.all.each do |ws|

score = 0

score += 2 if ws.download_count > 0

score += 3 if ws.favorite

if score == 0

end

data << ws.user_id.to_s << ‘,’

data << ws.wallpaper_id.to_s << ‘,’

data << score.to_s << ‘,’

data << ws.updated_at.to_time.to_i.to_s << “\n”

end

render text: data

end

计算过程稍微简化了，实际可能还要考虑别的因素。
实际ITEM CF需要更多的数据才能显示出其特别的地方，所以本项目可能对ITEM CF的训练数据不够，不过夜算是一个可以用的推荐数据实验。