1、談生物信息學推薦系統(tǒng)的設計與實現(xiàn)    摘要：在生物信息學系統(tǒng)設計中引進推薦系統(tǒng)，提出具有個性化服務的生物信息學網(wǎng)站模型，完成生物信息學推薦系統(tǒng)的設計和實現(xiàn)，體現(xiàn)出推薦系統(tǒng)在生物信息學中使用的必要性和優(yōu)越性。 關鍵詞：推薦系統(tǒng)；生物信息學 推薦系統(tǒng)(Recommender System) 1是個性化信息服務的主要技術之一，它實現(xiàn)的是“信息找人，按需服務”；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(Bioinformatics)2,3是由生物學、應

2、用數(shù)學和計算機科學相互交叉所形成的一門新型學科；其實質(zhì)是利用信息科學的方法和技術來解決生物學問題。20世紀末生物信息學迅速發(fā)展，在信息的數(shù)量和質(zhì)量上都極大地豐富了生物科學的數(shù)據(jù)資源，而數(shù)據(jù)資源的急劇膨脹需要尋求一種科學而有力的工具來組織它們，基于生物信息學的二次數(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（著名的生物信息學網(wǎng)站NCBI(美國國立生物技術信息中心)，僅僅是小孢子蟲(Microsporidia)的DNA序列就達3 399種），因此在生物二次數(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。特別是在當前生物信息數(shù)據(jù)量急

3、劇增長的情況下，生物信息學推薦系統(tǒng)將發(fā)揮強大的優(yōu)勢。 1推薦系統(tǒng)的工作流程 應用在不同領域的推薦系統(tǒng)，其體系結(jié)構(gòu)也不完全相同。一般而言，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)工作的基礎是用戶信息。用戶信息包括用戶輸入的關鍵詞、項目的有關屬性、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確性比顯式高一些。 (2)信息處理。信息獲取階段所獲得的用戶信息，一般根據(jù)推薦技術的不同對信息進行相應的處理

4、。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Rij=第i個用戶對第j個項目的評價，可以當做數(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三種，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

5、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N個事物或者最權威的N條評價以列表的形式顯示給用戶。 2生物信息學推薦系統(tǒng)的設計 綜合各種推薦技術的性能與優(yōu)缺點，本文構(gòu)造的生物信息學推薦系統(tǒng)的總體結(jié)構(gòu)如圖2所示。 生物信息學推薦系統(tǒng)實現(xiàn)的主要功能是在用戶登錄生物信息學網(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

6、的協(xié)同過濾推薦算法，其結(jié)構(gòu)可以進一步細化為如圖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)有別于其他系統(tǒng)的優(yōu)勢之一。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一個項目(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。當一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)建一個“信息矩陣”，該矩陣保存了所有項目的ID號以及相應的用戶評價，保存的格式為：S+編號

7、+用戶評價，S用于標記項目，每個項目編號及其評價都以“S”相隔開；編號是唯一的，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)設定當增加到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)建一個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)同過濾技術的用戶項目矩陣的數(shù)據(jù)表述方法所帶來的稀疏性嚴重制約了推薦效果，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

8、潛在的關系，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雜度，因此有必要對該矩陣的表述方式做優(yōu)化，進行矩陣處理。維數(shù)簡化是一種較好的方法，本文提出的算法應用單值分解(Singular Value Decomposition，SVD)技術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

9、一種方法，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)設定，比如規(guī)定N5。 (6)推薦形成。推薦形成的前提是把當前用戶的鄰居ID號及其與當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前登錄用戶進行計算。推薦策略是：對當前用戶已經(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，設定N5。 3生物信息學推薦系統(tǒng)的實現(xiàn) 生物信息學推薦系統(tǒng)的實現(xiàn)可以用圖4來表示。數(shù)據(jù)庫部分主要存

10、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)了與用戶交互必需的存儲過程以及觸發(fā)器，也使用SQL Server 信息學網(wǎng)站的特點，提出一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。進一步的工作是分析生物數(shù)據(jù)的特點及生物數(shù)據(jù)之間的關系，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 sy

11、stemsJ.Communications of the ACM，1997,40(3): 5658. 2陳新.生物信息學簡介EB/OL.(2001).68/bioinfo/papers/Chen_Xin.pdf. 3林毅申, 林丕源.基于Web Services的生物信息解決方案J. 計算機應用研究, 2005,22(6): 157158,164.4邢仲璟, 林丕源, 林毅申.基于Bioperl的生物二次數(shù)據(jù)庫建立及應用J. 計算機系統(tǒng)應用, 2004(11): 5860. 5AIRIA S, TAKAHISA A, HIROYA I,et al. Pers

12、onalization 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

13、:WI,1998:4352. 7SCHAFER J B, KONSTAN J,RIEDL J.Recommender systems in ecommerce:proceeding of the ACM Conference on Electronic CommerceC.Pittsburgh:PA,1999:158166. 8PRYOR M H. The effects of singular value decomposition on collaborative filteringEB/OL.(1998)./reports/TR98338.pdf. 9SARWAR B, KARYPIS G, KONSTAN J,et al.Analysis of recommendation a資料庫簡歷封面：    lgorithms for ecommerce:proceedings of the 2nd ACM Conference on Electronic CommerceC.M