緒論選題意義隨著社會(huì)發(fā)展的穩(wěn)步前進(jìn)，經(jīng)濟(jì)全球化和世界經(jīng)濟(jì)貿(mào)易飛速發(fā)展告別了傳統(tǒng)的發(fā)展模式，人們需要一種新的商業(yè)運(yùn)作模式來緊跟時(shí)代，推薦系統(tǒng)很好地滿足了現(xiàn)代人們的需求。人們的生活步伐逐漸加快，篩選信息會(huì)消耗大量時(shí)間和精力，而推薦系統(tǒng)可以很好地為人們提供想要的信息?，F(xiàn)如今，信息技術(shù)急速發(fā)展，人們的網(wǎng)購生活也越來越豐富，這吸引了越來越多的技術(shù)人員與專家去研究推薦系統(tǒng)。為了促進(jìn)人們的消費(fèi)欲，越來越多的電商推薦平臺(tái)如雨后春筍般冒了出來，這些電商推薦平臺(tái)會(huì)根據(jù)用戶的喜好為其推薦可能感興趣的商品，在首頁詳情頁中展示，例如淘寶，在首頁，詳情頁甚至購物車中都有針對(duì)用戶喜好的推薦。智能手機(jī)、網(wǎng)絡(luò)購物的興起改變了傳統(tǒng)的交易方式，商戶也將重點(diǎn)從線下交易轉(zhuǎn)到了線上售賣。如今使用移動(dòng)端的用戶越來越多，且要求也越來越高，如何在移動(dòng)端更好地為用戶推薦信息尤為重要。比如電商領(lǐng)域中，商品的數(shù)量數(shù)不勝數(shù)，人們想要在如此龐雜的商品庫中找到自己想要的商品絕非易事，商家也會(huì)為了提高用戶粘性對(duì)用戶進(jìn)行準(zhǔn)確且高效的商品推薦，基于此，電商推薦系統(tǒng)應(yīng)運(yùn)而生。國內(nèi)外研究現(xiàn)狀隨著移動(dòng)端和互聯(lián)網(wǎng)的進(jìn)一步快速普及和電子商務(wù)的進(jìn)一步快速發(fā)展，越來越多的專家和技術(shù)人員對(duì)推薦系統(tǒng)的開發(fā)和應(yīng)用重視起來。ACM自1999年起就固定每年都要組織舉辦一次有關(guān)開展電子商務(wù)的企業(yè)課題的大型探究研討會(huì)，其中一篇有關(guān)開展電子商務(wù)的企業(yè)推薦產(chǎn)品體系流程設(shè)計(jì)等各方面的課題研究理論文章在此中已經(jīng)占據(jù)了非常大的研究比重。個(gè)性化推薦概念研究主要是在20世紀(jì)90年代之前才開始作為一個(gè)單獨(dú)的科學(xué)概念研究所逐漸引入。最近的一次行業(yè)迅猛發(fā)展,源自于Web2.0技術(shù)的成熟。擁有了這種新型的交互技術(shù)，用戶就不再只是被動(dòng)地相互接受一個(gè)網(wǎng)頁信息的瀏覽者，而是轉(zhuǎn)變成更為主動(dòng)的相互參與REF_Ref24998\r\h[1]。國外早期的推薦算法重點(diǎn)放在推薦結(jié)果反饋，例如在2006年Netflix的比賽中，推薦系統(tǒng)注重于用戶對(duì)商品的打分，然而打分這種行為并不適用于所有場(chǎng)景。例如瀏覽文章時(shí)，用戶并不會(huì)給所有文章打分，所以推薦算法漸漸開始把重點(diǎn)轉(zhuǎn)移到用戶的隱式行為，例如用戶的點(diǎn)擊率、瀏覽時(shí)長(zhǎng)等行為，根據(jù)這些行為信息給用戶展示其可能感興趣的事物，基于用戶行為的個(gè)性化推薦算法由此誕生REF_Ref25351\r\h[2]。然而，只將商品與用戶匹配還是遠(yuǎn)遠(yuǎn)不夠的，例如在2008年的亞馬遜購物車中的商品推薦中，使用到了商品匹配商品的推薦，即基于物品的協(xié)同過濾推薦，這個(gè)推薦方法主要將有相同受眾的商品添加到商品列表，只需要子秒處理時(shí)間就能產(chǎn)生在線推薦，能對(duì)數(shù)據(jù)變化立即做出反應(yīng)REF_Ref28454\r\h[3]。到了今天，國外推薦系統(tǒng)和推薦算法發(fā)展已經(jīng)比較成熟，能夠較好地滿足信息提供者和信息需求者的基本訴求。國內(nèi)推薦系統(tǒng)的研究較國外相比還是開始較晚。但是隨著亞馬遜的電商個(gè)性化產(chǎn)品推薦信息系統(tǒng)的成功投入運(yùn)行和國內(nèi)移動(dòng)電子信息商務(wù)業(yè)的迅猛發(fā)展，國內(nèi)以北京阿里巴巴集團(tuán)為首的眾多電子信息商務(wù)行業(yè)網(wǎng)站也陸續(xù)將其關(guān)注目光全部大量投入投放到了國內(nèi)電商產(chǎn)品推薦系統(tǒng)及其營銷模式的研究與開發(fā)之中。2006年，當(dāng)當(dāng)網(wǎng)率先建立個(gè)性化推薦系統(tǒng)，其中有音頻，圖書等個(gè)性化商品推薦，受到用戶一致好評(píng)。2008年9月，淘寶網(wǎng)經(jīng)過深入研究并成功地推出了自己的淘寶電商網(wǎng)絡(luò)推薦服務(wù)體系，可以根據(jù)消費(fèi)者的喜好向其他用戶推薦自己感興趣的網(wǎng)絡(luò)商品，還有可以根據(jù)其所需要的搜索信息和內(nèi)容對(duì)其進(jìn)行相關(guān)的推薦，改變了傳統(tǒng)的商業(yè)模式。2011年，百度研究改版后新推出了一款豐富多彩的個(gè)性化產(chǎn)品“一人一世界”，為不同企業(yè)及其用戶需求量身定制并推送更多豐富而且個(gè)性化的產(chǎn)品推薦信息；2014年9月，阿里巴巴首次在北京舉辦“天池”定制產(chǎn)品推薦代碼算法研究與開發(fā)會(huì)議，推薦代碼算法活動(dòng)吸引了數(shù)千名來自我們?nèi)珖酥琳麄€(gè)世界各地的算法專家和技術(shù)人員，在這次會(huì)議上大家共同分享了經(jīng)驗(yàn)與學(xué)習(xí)相關(guān)技術(shù)，極大程度促進(jìn)了我國推薦算法領(lǐng)域的應(yīng)用與發(fā)展,為如今電商化的經(jīng)濟(jì)環(huán)境打下了基礎(chǔ)。主要研究?jī)?nèi)容本文主要基于Spark設(shè)計(jì)了一種離線的針對(duì)用戶的個(gè)性化推薦，本文先對(duì)幾種推薦算法進(jìn)行了比較研究，在推薦算法的基礎(chǔ)上選擇Spark作為推薦系統(tǒng)的開發(fā)框架，本文主要研究?jī)?nèi)容如下：1、熟悉并搭建推薦系統(tǒng)開發(fā)環(huán)境，如Spark、Hadoop、MySQL等。2、通過對(duì)推薦算法的研究和推薦系統(tǒng)的學(xué)習(xí)，本文推薦系統(tǒng)根據(jù)需求選取了兩種協(xié)同過濾推薦算法完成推薦展示，并設(shè)計(jì)了離線推薦模型。推薦模型一共包含三個(gè)模塊：熱門商品推薦，針對(duì)用戶的個(gè)性化商品推薦，以及商品詳情頁中的關(guān)聯(lián)商品推薦。3、設(shè)計(jì)并實(shí)現(xiàn)一個(gè)離線電商推薦系統(tǒng)，并將推薦結(jié)果展示在推薦系統(tǒng)界面中。相關(guān)工具和技術(shù)介紹相關(guān)工具介紹Spark框架本文實(shí)現(xiàn)的推薦系統(tǒng)使用的是Spark框架,接下來對(duì)Spark進(jìn)行一些簡(jiǎn)單介紹。比起Hadoop，Spark處理數(shù)據(jù)的效率更高。在處理海量數(shù)據(jù)的場(chǎng)景下，Spark采用多種處理數(shù)據(jù)集的方式，不像Hadoop只用Map和Reduce計(jì)算數(shù)據(jù)；且Spark提供的操作接口將近一百個(gè),運(yùn)行效率較高；Spark的框架擁有眾多強(qiáng)大的支撐軟件和組件,比如它們覆蓋了機(jī)器學(xué)習(xí)庫，支持SQL、圖計(jì)算以及實(shí)時(shí)計(jì)算等；同時(shí)，Spark既可以單獨(dú)運(yùn)行也可以在Hadoop平臺(tái)上運(yùn)行REF_Ref7875\r\h[4]。目前Spark己經(jīng)發(fā)展完善，Spark內(nèi)置多種庫以及方法，調(diào)用起來處理數(shù)據(jù)十分高效。Spark的架構(gòu)圖如圖2-1所示：圖2-1Spark架構(gòu)圖SparkCore：有很多內(nèi)容模塊，包括誤差調(diào)整、運(yùn)行任務(wù)、清理并分配內(nèi)存和系統(tǒng)交互等，而且SparkCore還定義了RDD的相關(guān)概念，RDD是一種能夠進(jìn)行并行運(yùn)算的各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的一個(gè)分布式數(shù)據(jù)集REF_Ref17666\r\h[5]。SparkSQL：當(dāng)要處理多種數(shù)據(jù)源時(shí)，SparkSQL可以使用SQL語句對(duì)不同格式的數(shù)據(jù)進(jìn)行處理，且處理兼容性強(qiáng)，可以處理的格式有Hive、JSON等，比Hadoop方便很多。SparkStreaming：人們一般用SparkStreaming來處理實(shí)時(shí)數(shù)據(jù)，效率高，準(zhǔn)確度高，減少時(shí)間成本和人工成本。SparkMLlib：內(nèi)置多種機(jī)器學(xué)習(xí)算法，包括下文即將提到的矩陣分解的ALS算法，還有回歸和分類等算法，在機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘等領(lǐng)域應(yīng)用廣泛，大大降低了開發(fā)成本和學(xué)習(xí)成本，為研究人員提供便捷。MySQL數(shù)據(jù)庫MySQL是一款與Java、PHP等語言具有緊密聯(lián)系并且同時(shí)兼具了安全性、可靠性以及跨平臺(tái)性的多種優(yōu)秀品質(zhì)的數(shù)據(jù)庫系統(tǒng)。MySQL目前的使用群體還是較多的中小型網(wǎng)站。因?yàn)樗_放源碼這一特點(diǎn)，很多公司都采用MySQL數(shù)據(jù)庫來降低成本REF_Ref11450\r\h[6]。MySQL功能十分強(qiáng)大，不僅可以支持面向?qū)ο?，還可以跨平臺(tái)運(yùn)行。MySQL在成本較低的前提下，還有很快的運(yùn)行速度，有足夠的存儲(chǔ)空間來存儲(chǔ)海量數(shù)據(jù)，有很多內(nèi)置函數(shù)來對(duì)數(shù)據(jù)庫進(jìn)行操作，降低了開發(fā)人員的學(xué)習(xí)成本，且MySQL支持多種編程語言REF_Ref11509\r\h[7]。作為一個(gè)關(guān)系型數(shù)據(jù)庫，MySQL相比人工記錄數(shù)據(jù)和文件保存數(shù)據(jù)，通過SQL語言對(duì)數(shù)據(jù)進(jìn)行增加、刪除、修改、查看顯得更為高效。同時(shí)MySQL中對(duì)權(quán)限的管理機(jī)制使得存入其中的數(shù)據(jù)安全性更高。所以用MySQL作為系統(tǒng)數(shù)據(jù)庫是很好的選擇。Vue框架Vue是一套構(gòu)建用戶前端界面的JavaScript框架，采用自底向上增量的設(shè)計(jì)，在有css、HTML的基礎(chǔ)上使用較為容易，具有易使用性。Vue使用漸進(jìn)式技術(shù)棧，可以應(yīng)對(duì)不同規(guī)模的系統(tǒng)框架，靈活性較強(qiáng)。Vue重點(diǎn)放在前端可視化界面，容易與其他項(xiàng)目庫進(jìn)行整合，Vue完全有能力驅(qū)動(dòng)采用單文件組件和Vue生態(tài)系統(tǒng)支持的庫開發(fā)的復(fù)雜單頁應(yīng)用。相關(guān)技術(shù)介紹基于內(nèi)容的推薦基于內(nèi)容的推薦相對(duì)單一，主要是通過用戶在搜索欄中輸入商品關(guān)鍵詞進(jìn)行推薦，注重的是商品內(nèi)在或者外在的內(nèi)容標(biāo)簽，且靈活性較差，識(shí)別不了圖片和音頻。所以以內(nèi)容為主的推薦更適用于文章等文本檢索推薦，基于內(nèi)容的推薦過程如圖2-2所示。商品A商品A商品C商品B圖書X愛情校園圖書X愛情劇情圖書Y懸疑驚悚偏好推薦圖2-2基于內(nèi)容的協(xié)同過濾推薦從圖中我們可以看到，用戶1喜歡商品A，且商品A和商品C內(nèi)容相似，都是關(guān)于愛情的圖書，于是用戶1就能得到商品C的展示推薦信息REF_Ref11676\r\h[8]?；趦?nèi)容的推薦主要根據(jù)物品的內(nèi)容（例如商品中的商品名稱、商品類別、商品用戶標(biāo)簽等都是可以被用來展示商品相關(guān)信息）來找相似物品REF_Ref26442\r\h[9]。將用戶興趣特征與商品特征相結(jié)合，進(jìn)而得到用戶對(duì)商品偏好度。這一算法在圖書推薦新聞推薦等領(lǐng)域中已經(jīng)較為成熟且應(yīng)用廣泛，用戶使用感也不錯(cuò)。協(xié)同過濾推薦基于物品的協(xié)同過濾推薦基于物品的協(xié)同過濾主要使用用戶的行為數(shù)據(jù)作為特征。用戶在對(duì)商品進(jìn)行操作后，系統(tǒng)會(huì)根據(jù)用戶的操作（例如購買、點(diǎn)擊、評(píng)價(jià)等操作來推測(cè)用戶偏好）計(jì)算商品之間的相似程度，之后再把相似商品推薦給用戶。原理如圖2-3所示。圖2-3基于物品的協(xié)同過濾推薦整體思想是，如果兩個(gè)商品的喜好者是一樣的，它們就是存在內(nèi)在聯(lián)系的。因此，可以使用現(xiàn)有的行為數(shù)據(jù)來分析商品受眾之間的相似度，然后商品之間的相似度就隨之獲得，這種方法即為物品的“共現(xiàn)相似度”REF_Ref18065\r\h[10]。如公式（2.1）所示： （2.1）其中，Ni是對(duì)商品i有過操作的用戶列表，例如購買，評(píng)分等行為，與Ni類似，Nj同樣表示對(duì)商品j有過操作的用戶列表。與以商品內(nèi)在內(nèi)容標(biāo)簽為主的推薦不同，根據(jù)用戶行為進(jìn)行推薦的基于物品的推薦更為靈活，且可以識(shí)別圖片，音頻等物品信息，這是前者識(shí)別不了的?；谖锲返膮f(xié)同過濾推薦需要提取用戶以往的行為信息，而不是著重于挖掘物品本身的內(nèi)容標(biāo)簽?；谖锲返膮f(xié)同過濾推薦更側(cè)重于數(shù)量龐大的使用者，龐大到是物品數(shù)量好幾倍的場(chǎng)景中，例如電影推薦，影迷的數(shù)量遠(yuǎn)遠(yuǎn)大于電影數(shù)量，只根據(jù)電影內(nèi)容進(jìn)行推薦過于單調(diào)死板，基于物品推薦則靈活性更強(qiáng)，所以本文電商推薦系統(tǒng)同樣適用基于物品的協(xié)同過濾推薦?；诰仃嚪纸獾膮f(xié)同過濾推薦基于矩陣分解的推薦是一種通過訓(xùn)練模型來發(fā)掘物品的潛在特征的推薦方法。矩陣分解的主要計(jì)算方法就是將用戶評(píng)分矩陣M(m*n)進(jìn)行一系列操作分解成為表示用戶的特征矩陣P(m*k)和一個(gè)表示物品的特征矩陣Q(k*n)，經(jīng)過多次訓(xùn)練擬合后再將P(m*k)和Q(k*n)兩個(gè)特征矩陣做矩陣點(diǎn)積運(yùn)算并填入初始矩陣,依據(jù)所有矩陣值進(jìn)行計(jì)算即可完成，依據(jù)填入值完成推薦。上述過程的公式表達(dá)為（2.2），其中K表示隱含特征的數(shù)量。 （2.2）根據(jù)用戶喜好特征矩陣P(m*k)中的第i個(gè)用戶的特征向量pi，和物品特征矩陣Q(k*n)第j個(gè)產(chǎn)品的特征向量qj來預(yù)測(cè)打分矩陣M(m?n)中的mij。損失函數(shù)公式表達(dá)為（2.3）： （2.3）接下來就用交替最小二乘法（ALS算法）來對(duì)損失函數(shù)進(jìn)行優(yōu)化。先隨機(jī)生成一個(gè)值，再用這個(gè)值來求解，繼續(xù)使用這個(gè)值，繼續(xù)求解，就這樣交替循環(huán)迭代下去，在取得最優(yōu)解時(shí)停住。由于每次循環(huán)產(chǎn)生的的誤差是有下界的，所以交替最小二乘法一定收斂REF_Ref32438\r\h[11]。Q(k*n)為物品特征矩陣，每行是一個(gè)k維向量，而k維向量代表與該行相對(duì)應(yīng)的物品的特征。Q(k*n)每行向量對(duì)應(yīng)一個(gè)物品特征，對(duì)于任意兩個(gè)商品p和q：可利用公式（2.4）計(jì)算兩個(gè)向量之間的余弦相似度： （2.4）可以使用公式來計(jì)算數(shù)據(jù)集中任何兩種商品之間的相似度，并且商品之間的相似度基本上是一段時(shí)間內(nèi)的固定值PAGEREF_Ref14732\hREF_Ref14732\r\h[12]。評(píng)分預(yù)測(cè)評(píng)價(jià)指標(biāo)在推薦系統(tǒng)中，評(píng)價(jià)推薦結(jié)果的方法有很多，如RMSE，MAE，標(biāo)準(zhǔn)差等方法，對(duì)于評(píng)估預(yù)測(cè)評(píng)分和真實(shí)評(píng)分來說，RMSE是不錯(cuò)的選擇，RMSE計(jì)算公式如（2.5）所示： RMSE=1N其中observedt表示用戶的真實(shí)評(píng)分，predictedt則表示預(yù)測(cè)評(píng)分，N表示評(píng)分總量。上式的結(jié)果可以很好地評(píng)估預(yù)測(cè)評(píng)分與真實(shí)評(píng)分的差距，進(jìn)而更為準(zhǔn)確地給用戶推薦其感興趣的商品REF_Ref23966\r\h[13]。

系統(tǒng)設(shè)計(jì)本章主要介紹推薦系統(tǒng)環(huán)境部署、需求分析、系統(tǒng)總體設(shè)計(jì)、系統(tǒng)數(shù)據(jù)庫設(shè)計(jì)以及系統(tǒng)功能設(shè)計(jì)等內(nèi)容。需求分析功能需求分析用戶功能用戶使用功能需求主要滿足用戶查看商品推薦信息功能，具體功能如表3-1所示：表3-1用戶登錄功能需求功能編號(hào)1功能名稱用戶登錄功能描述用戶通過用戶登錄功能進(jìn)入系統(tǒng)。輸入項(xiàng)用戶賬號(hào)、密碼處理描述將用戶賬號(hào)密碼與用戶信息表中信息進(jìn)行匹配。輸出項(xiàng)匹配成功，登錄系統(tǒng)；匹配失敗，重新輸入。界面要求有簡(jiǎn)單的賬號(hào)密碼輸入框以及登錄按鈕。表3-2熱門推薦功能需求功能編號(hào)2功能名稱熱門推薦功能描述用戶查看熱門商品信息。輸入項(xiàng)用戶評(píng)分?jǐn)?shù)據(jù)集。處理描述統(tǒng)計(jì)用戶對(duì)商品的評(píng)分?jǐn)?shù)，將評(píng)分?jǐn)?shù)降序排列，評(píng)分?jǐn)?shù)越多的商品越熱門。輸出項(xiàng)熱門推薦表。界面要求左側(cè)導(dǎo)航欄顯示熱門商品推薦菜單，點(diǎn)擊后展示熱門商品信息。表3-3個(gè)性化商品推薦功能需求功能編號(hào)3功能名稱個(gè)性化商品推薦功能描述用戶查看針對(duì)該用戶的個(gè)性化商品推薦。輸入項(xiàng)用戶評(píng)分?jǐn)?shù)據(jù)集。處理描述通過矩陣分解算法預(yù)測(cè)用戶對(duì)商品的評(píng)分，基于預(yù)測(cè)評(píng)分對(duì)商品降序排列。輸出項(xiàng)個(gè)性化商品推薦表。界面要求左側(cè)導(dǎo)航欄顯示個(gè)性化商品推薦菜單，點(diǎn)擊后展示個(gè)性化商品推薦信息。表3-4關(guān)聯(lián)商品推薦功能需求功能編號(hào)4功能名稱關(guān)聯(lián)商品推薦功能描述用戶查看關(guān)聯(lián)商品推薦信息。輸入項(xiàng)商品數(shù)據(jù)集。處理描述通過矩陣分解算法計(jì)算商品相似度。輸出項(xiàng)關(guān)聯(lián)商品推薦表。界面要求在熱門推薦菜單和個(gè)性化商品推薦菜單中，商品信息右側(cè)顯示商品推薦按鈕，點(diǎn)擊后展示關(guān)聯(lián)商品推薦信息。管理員功能管理員管理功能主要滿足管理員對(duì)系統(tǒng)信息，如用戶信息、角色信息、菜單信息進(jìn)行管理，以及對(duì)商品信息進(jìn)行管理，具體需求如表3-2所示：表3-5用戶管理功能需求功能編號(hào)1功能名稱用戶管理功能描述對(duì)用戶信息進(jìn)行增刪改查。輸入項(xiàng)輸入用戶賬號(hào)、用戶名、密碼、郵箱等，給用戶分配角色。處理描述將用戶信息寫入數(shù)據(jù)庫，若更改用戶信息，則更新數(shù)據(jù)庫。輸出項(xiàng)用戶信息表。表3-5（續(xù)）界面要求左側(cè)導(dǎo)航欄中系統(tǒng)管理菜單下顯示用戶管理菜單，點(diǎn)擊后展示用戶信息。信息上方有新增、修改、刪除、導(dǎo)入、導(dǎo)出按鈕，管理員點(diǎn)擊按鈕進(jìn)行相應(yīng)操作。表3-6角色管理功能需求功能編號(hào)2功能名稱角色管理功能描述對(duì)角色信息進(jìn)行增刪改查。輸入項(xiàng)輸入角色編號(hào)、角色名稱，設(shè)置角色權(quán)限。處理描述將角色信息寫入數(shù)據(jù)庫，若更改角色信息，則更新數(shù)據(jù)庫。輸出項(xiàng)角色信息表。界面要求左側(cè)導(dǎo)航欄中系統(tǒng)管理菜單下顯示角色管理菜單，點(diǎn)擊后展示角色信息。信息上方有新增、修改、刪除、導(dǎo)出按鈕，管理員點(diǎn)擊按鈕進(jìn)行相應(yīng)操作。表3-7菜單管理功能需求功能編號(hào)3功能名稱菜單管理功能描述對(duì)菜單信息進(jìn)行增刪改查。輸入項(xiàng)輸入菜單編號(hào)、菜單名稱、父類菜單編號(hào)、菜單類別。處理描述將菜單信息寫入數(shù)據(jù)庫，若更改菜單信息，則更新數(shù)據(jù)庫。輸出項(xiàng)菜單信息表。界面要求左側(cè)導(dǎo)航欄中系統(tǒng)管理菜單下顯示菜單管理菜單，點(diǎn)擊后展示菜單信息。信息上方有新增、修改、展開/折疊按鈕，信息右側(cè)有刪除按鈕，管理員點(diǎn)擊按鈕進(jìn)行相應(yīng)操作。表3-8商品管理功能需求功能編號(hào)4功能名稱商品管理功能描述對(duì)商品信息進(jìn)行增刪改查。輸入項(xiàng)熱門推薦表、個(gè)性化商品推薦表、關(guān)聯(lián)商品推薦表。表3-8（續(xù)）處理描述將熱門推薦表導(dǎo)入熱門推薦菜單，個(gè)性化商品推薦表導(dǎo)入個(gè)性化推薦菜單，關(guān)聯(lián)商品推薦表導(dǎo)入關(guān)聯(lián)商品推薦界面。輸出項(xiàng)推薦數(shù)據(jù)庫。界面要求左側(cè)導(dǎo)航欄中顯示商品管理菜單，點(diǎn)擊后展示商品信息，信息上方有修改按鈕，信息右側(cè)有發(fā)布按鈕，發(fā)布后商品會(huì)顯示在對(duì)應(yīng)菜單中，管理員可點(diǎn)擊按鈕進(jìn)行相應(yīng)操作。性能需求分析1、安全性：用戶登錄及管理員登錄需要賬號(hào)密碼，用戶及管理員的個(gè)人信息私密性較強(qiáng)，需保障個(gè)人的信息安全。2、可靠性：電商推薦系統(tǒng)采用兩種推薦算法對(duì)用戶商品數(shù)據(jù)進(jìn)行分析并得到推薦結(jié)果，算法理論嚴(yán)謹(jǐn)，且通過模型評(píng)估和參數(shù)選取對(duì)結(jié)果進(jìn)行訓(xùn)練，部署后定時(shí)監(jiān)控，具有良好的可靠性REF_Ref16535\r\h[14]。3、健壯性：電商推薦系統(tǒng)是由SpringBoot搭建的，具有輕量高效的特性，低耦合，可復(fù)用性強(qiáng)的特點(diǎn)，開發(fā)難度較低，具有良好的健壯性。4、易使用性：用戶只需通過簡(jiǎn)潔的界面操作，即可獲取商品推薦信息，易于使用。5、可維護(hù)性：系統(tǒng)搭建應(yīng)嚴(yán)格遵循編程規(guī)范，關(guān)鍵處給出注解。即使使用中出現(xiàn)了問題，也可以快速找到錯(cuò)誤，及時(shí)解決。界面需求分析界面作為用戶與系統(tǒng)產(chǎn)生交互行為的媒介，用戶可通過界面獲取商品推薦信息，管理員可通過界面對(duì)系統(tǒng)進(jìn)行管理，而不需要了解系統(tǒng)底層邏輯。本文界面需求有如下幾點(diǎn)：1、操作界面應(yīng)簡(jiǎn)單清晰，易于查找，便于用戶查看商品推薦信息以及管理員對(duì)系統(tǒng)進(jìn)行操作管理。2、用戶操作界面應(yīng)包括登錄界面、熱門商品推薦界面、個(gè)性化商品推薦界面以及關(guān)聯(lián)商品推薦界面。3、管理員操作界面應(yīng)包括登錄界面以及系統(tǒng)管理界面。系統(tǒng)總體設(shè)計(jì)系統(tǒng)功能架構(gòu)系統(tǒng)功能架構(gòu)設(shè)計(jì)圖如圖3-1所示：圖3-1電商推薦系統(tǒng)功能架構(gòu)在用戶操作界面中，用戶登錄之后首頁可看到熱門推薦和個(gè)性化商品推薦，點(diǎn)開首頁商品信息旁邊的“商品推薦”按鈕即可進(jìn)入關(guān)聯(lián)商品推薦頁面。熱門推薦通過統(tǒng)計(jì)給商品評(píng)分的用戶數(shù)量得到，給這個(gè)商品評(píng)分的用戶數(shù)量越多，那么這個(gè)商品熱度越高。個(gè)性化商品推薦與熱門推薦分開，單獨(dú)在個(gè)性化商品推薦菜單中展示，一目了然。在管理員操作界面中，管理員登錄后可以對(duì)已注冊(cè)的用戶進(jìn)行查看、更新，并對(duì)自身及用戶密碼進(jìn)行修改。在角色管理中，管理員可給用戶分配角色，不同角色菜單不同，可以進(jìn)行的操作不同。在菜單管理中，管理員可對(duì)菜單進(jìn)行管理，設(shè)置菜單的上級(jí)目錄。在商品管理中，管理員可對(duì)商品信息進(jìn)行修改發(fā)布操作。系統(tǒng)總體架構(gòu)設(shè)計(jì)根據(jù)對(duì)電商推薦系統(tǒng)的基本功能架構(gòu)分析和需求分析，推薦系統(tǒng)總體架構(gòu)設(shè)計(jì)分為數(shù)據(jù)層、邏輯層和展示層，具體架構(gòu)如下圖所示：圖3-2系統(tǒng)總體架構(gòu)設(shè)計(jì)圖數(shù)據(jù)層：數(shù)據(jù)層是整個(gè)系統(tǒng)的基礎(chǔ)。這一層包含未經(jīng)處理的商品數(shù)據(jù)集和用戶評(píng)分?jǐn)?shù)據(jù)集，推薦數(shù)據(jù)庫，用戶信息表，角色信息表以及菜單信息表。系統(tǒng)經(jīng)過推薦算法對(duì)原始數(shù)據(jù)集進(jìn)行處理得到的推薦結(jié)果寫入推薦數(shù)據(jù)庫，管理員通過對(duì)用戶信息、商品信息、角色信息以及菜單信息進(jìn)行管理得到的結(jié)果寫入相應(yīng)的數(shù)據(jù)表中，進(jìn)而為邏輯層和展示層服務(wù)。邏輯層：這一層主要作為展示層和數(shù)據(jù)層的中間連接體，由推薦模塊和管理模塊組成，邏輯層讀取數(shù)據(jù)層中的數(shù)據(jù)，例如推薦模塊讀取推薦數(shù)據(jù)庫的數(shù)據(jù)，管理模塊讀取用戶信息表、角色信息表、菜單信息表中的數(shù)據(jù)，讀取成功后通過系統(tǒng)架構(gòu)傳遞給展示層，是展示層的重要支撐。同時(shí)，邏輯層會(huì)將展示層的相關(guān)操作反饋回?cái)?shù)據(jù)層，進(jìn)而更新數(shù)據(jù)層的數(shù)據(jù)。展示層：該層主要由針對(duì)用戶的推薦結(jié)果展示模塊和針對(duì)管理員的管理員界面展示模塊組成。在推薦結(jié)果展示界面中，用戶可獲取商品推薦信息；在管理員操作界面中，管理員可對(duì)用戶信息、商品信息、菜單信息以及角色信息進(jìn)行管理操作。展示層將用戶和管理員的操作反饋至邏輯層，邏輯層會(huì)根據(jù)相關(guān)操作更新數(shù)據(jù)層中相應(yīng)數(shù)據(jù)再通過展示層進(jìn)行展示。系統(tǒng)數(shù)據(jù)庫設(shè)計(jì)數(shù)據(jù)庫表結(jié)構(gòu)數(shù)據(jù)庫是業(yè)務(wù)系統(tǒng)的核心，所有操作的結(jié)果最后都會(huì)被數(shù)據(jù)庫接收。考慮到數(shù)據(jù)庫存儲(chǔ)數(shù)據(jù)較多，為了提高數(shù)據(jù)庫可伸縮性、安全性以及可擴(kuò)展性，本系統(tǒng)使用MySQL數(shù)據(jù)庫存儲(chǔ)數(shù)據(jù)。系統(tǒng)數(shù)據(jù)庫主要包含商品數(shù)據(jù)表、用戶評(píng)分?jǐn)?shù)據(jù)表、用戶信息表、商品數(shù)據(jù)表、角色信息表、菜單信息表以及推薦數(shù)據(jù)庫。推薦數(shù)據(jù)庫包括熱門推薦表、個(gè)性化商品推薦表以及關(guān)聯(lián)商品推薦表。具體表結(jié)構(gòu)如下圖所示：圖3-3數(shù)據(jù)庫表結(jié)構(gòu)數(shù)據(jù)表設(shè)計(jì)1、商品信息數(shù)據(jù)表表3-9商品信息數(shù)據(jù)表字段名數(shù)據(jù)類型數(shù)據(jù)項(xiàng)注釋說明productidint(11)商品編號(hào)productnamevarchar(255)商品名稱producttagsvarchar(255)商品標(biāo)簽2、用戶商品評(píng)分?jǐn)?shù)據(jù)表表3-10用戶商品評(píng)分表字段名數(shù)據(jù)類型數(shù)據(jù)項(xiàng)注釋說明useridint(11)用戶IDprodutidint(11)商品IDproductnamevarchar(255)商品名稱producttagsvarchar(255)商品標(biāo)簽scoredouble評(píng)分值timestamplong(16)評(píng)分的時(shí)間3、熱門商品推薦表表3-11熱門推薦表字段名數(shù)據(jù)類型數(shù)據(jù)項(xiàng)注釋說明productidint(11)商品編號(hào)productnamevarchar(255)商品名稱producttagsvarchar(255)商品標(biāo)簽typevarchar(255)推薦類型4、個(gè)性化商品推薦表表3-12個(gè)性化商品推薦表字段名數(shù)據(jù)類型數(shù)據(jù)項(xiàng)注釋說明useridint(11)用戶idproductidint(11)商品編號(hào)productnamevarchar(255)商品名稱producttagsvarchar(255)商品標(biāo)簽typevarchar(255)推薦類型5、關(guān)聯(lián)商品推薦表表3-13關(guān)聯(lián)商品推薦表字段名數(shù)據(jù)類型數(shù)據(jù)項(xiàng)注釋說明productid(1)int(11)商品編號(hào)productid(2)int(11)相似商品編號(hào)productnamevarchar(255)商品名稱producttagsvarchar(255)商品標(biāo)簽typevarchar(255)推薦類型6、用戶信息表：表3-14用戶信息表字段名數(shù)據(jù)類型數(shù)據(jù)項(xiàng)注釋說明user_idint(11)用戶編號(hào)usernamevarchar(255)用戶名roleidInt(11)用戶角色idpasswordvarchar(255)密碼namevarchar(255)姓名phonevarchar(255)電話emailvarchar(255)郵箱roleint(11)角色bak1varchar(255)備注create_timedatetime創(chuàng)建時(shí)間7、角色信息表：表3-15角色信息表字段名數(shù)據(jù)類型數(shù)據(jù)項(xiàng)注釋說明role_idint(11)角色編號(hào)role_namevarchar(255)角色名稱create_timedatetime創(chuàng)建時(shí)間8、菜單信息表：表3-16菜單信息表字段名數(shù)據(jù)類型數(shù)據(jù)項(xiàng)注釋說明menu_idint(11)菜單編號(hào)menu_namevarchar(255)菜單名稱parent_idInt(11)父類菜單編號(hào)menu_typevarchar(255)菜單類別系統(tǒng)功能設(shè)計(jì)管理員功能流程在管理員操作界面中，管理員可對(duì)用戶信息、菜單信息、角色信息、商品信息進(jìn)行增刪改查操作，具體操作流程如下。1、管理員添加信息流程圖3-4信息添加流程圖如圖3-4所示，管理員添加商品推薦信息時(shí)須與數(shù)據(jù)庫中字段匹配，匹配成功則可寫入數(shù)據(jù)庫，匹配不成功須再做調(diào)整，重新輸入數(shù)據(jù)。2、管理員刪除信息流程圖3-5信息刪除流程圖如圖3-5所示，管理員刪除商品推薦信息時(shí)，系統(tǒng)會(huì)根據(jù)操作找到數(shù)據(jù)庫中的信息進(jìn)行刪除，刪除成功后數(shù)據(jù)庫會(huì)更新數(shù)據(jù)。3、管理員修改信息流程圖3-6信息修改流程如圖3-6所示，管理員修改數(shù)據(jù)時(shí)，若修改數(shù)據(jù)與數(shù)據(jù)庫字段匹配，保存修改則修改成功，更新數(shù)據(jù)庫。若不匹配，則重新修改直至修改成功。用戶登錄操作流程用戶登錄操作流程如圖3-6所示：圖3-7用戶登錄操作流程圖由圖3-7可知，用戶可用已有賬號(hào)登錄系統(tǒng)。登錄系統(tǒng)時(shí)輸入賬號(hào)密碼及驗(yàn)證碼，系統(tǒng)將用戶輸入的賬號(hào)密碼與數(shù)據(jù)庫中用戶信息比對(duì)，密碼錯(cuò)誤會(huì)提示用戶重新輸入，輸入正確后進(jìn)入用戶操作界面，即可看到商品推薦結(jié)果。熱門商品推薦流程圖3-8熱門推薦數(shù)據(jù)處理流程圖由圖3-8可知，程序首先讀取用戶評(píng)分?jǐn)?shù)據(jù)集，讀取之后再通過SparkSQL對(duì)商品的用戶評(píng)分?jǐn)?shù)進(jìn)行統(tǒng)計(jì)，再將商品按照用戶評(píng)分?jǐn)?shù)降序排列，得到熱門商品推薦結(jié)果，最后將推薦結(jié)果寫入到熱門推薦表中。個(gè)性化商品推薦流程圖3-9個(gè)性化商品推薦數(shù)據(jù)處理流程圖由圖3-9可知，程序首先讀取用戶評(píng)分?jǐn)?shù)據(jù)集，通過SparkMLlib內(nèi)置ALS算法進(jìn)行矩陣分解，之后基于向量點(diǎn)積預(yù)測(cè)用戶對(duì)商品的評(píng)分，基于預(yù)測(cè)評(píng)分對(duì)商品降序排列得到用戶-商品推薦列表，再將結(jié)果寫入個(gè)性化商品推薦表。關(guān)聯(lián)商品推薦流程1、評(píng)分相似商品推薦計(jì)算流程圖3-10評(píng)分相似商品推薦數(shù)據(jù)處理流程圖由圖3-10可知，程序首先讀取商品信息數(shù)據(jù)集，之后通過SparkMLlib內(nèi)置ALS算法進(jìn)行矩陣分解，再基于商品隱含表示向量計(jì)算商品相似度，對(duì)于每個(gè)商品保留最相似的K個(gè)商品，進(jìn)而得到評(píng)分相似商品推薦結(jié)果，最后將結(jié)果寫入關(guān)聯(lián)商品推薦表。2、受眾相似商品推薦計(jì)算流程圖3-11受眾相似商品推薦數(shù)據(jù)處理流程由圖3-11可知，程序首先讀取用戶商品評(píng)分?jǐn)?shù)據(jù)集，然后從受眾群體角度計(jì)算兩個(gè)商品的相似度，即它們的共現(xiàn)相似度。對(duì)于每個(gè)商品保留最相似的K個(gè)商品，即與該商品的受眾相似的商品，再將結(jié)果寫入關(guān)聯(lián)商品推薦表。界面展示流程界面展示的流程如圖3-11所示：圖3-12界面展示流程

算法實(shí)現(xiàn)本文以可中文亞馬遜電商數(shù)據(jù)集為基礎(chǔ)，從環(huán)境搭建開始，利用Spark實(shí)現(xiàn)了一個(gè)較為簡(jiǎn)易的電商推薦系統(tǒng)。環(huán)境配置1、硬件配置（1）服務(wù)端CPU：Intel(R)Core(TM)i7-7500UCPU@2.70GHz2.90GHz（2）機(jī)帶RAM：8.00GB（3）顯卡：NVIDIAGeForce940MX2、軟件配置（1）操作系統(tǒng)：Ubuntu64位（2）數(shù)據(jù)庫：MySQL（3）開發(fā)工具：Spark、VMWareWorkstation、IDEA（4）開發(fā)語言：JavaJDK1.8.03、Hadoop安裝并啟動(dòng)（1）安裝Hadoop，命令如下：（2）啟動(dòng)Hadoop集群，命令如下：?jiǎn)?dòng)完成后輸入jps，根據(jù)顯示結(jié)果可判斷是否啟動(dòng)成功，如果顯示如下進(jìn)程則表示啟動(dòng)成功，如圖4-1所示：圖4-1hadoop成功啟動(dòng)4、Spark安裝并啟動(dòng)（1）安裝spark，命令如下：（2）啟動(dòng)sparkshell，命令如下：?jiǎn)?dòng)spark-shell后，會(huì)自動(dòng)創(chuàng)建SparkContext對(duì)象和SparkSession對(duì)象,并會(huì)顯示Scala內(nèi)核版本，如圖4-2所示：圖4-2sparkshell啟動(dòng)數(shù)據(jù)簡(jiǎn)介本系統(tǒng)采用可公開獲取的亞馬遜電商平臺(tái)的商品數(shù)據(jù)集products.csv及用戶評(píng)分?jǐn)?shù)據(jù)集ratings.csv。商品數(shù)據(jù)集共有343條商品數(shù)據(jù)，每條商品數(shù)據(jù)由5個(gè)字段構(gòu)成，用“^”分隔符來對(duì)5個(gè)字段進(jìn)行分割。去掉其中不會(huì)用到的categoryIds、amazonId這兩個(gè)字段，只需要用到其它3個(gè)字段，如表4-1所示：表4-1products數(shù)據(jù)集字段詳情字段名字段類型字段描述productidint商品IDproductnamestring商品名稱表4-1（續(xù)）字段名字段類型字段描述producttagsstring商品標(biāo)簽用戶評(píng)分?jǐn)?shù)據(jù)集共13852條用戶商品評(píng)分?jǐn)?shù)據(jù)，每條數(shù)據(jù)共6個(gè)字段，每個(gè)字段之間通過“，”分割。如表4-2所示：表4-2ratings數(shù)據(jù)集字段詳情字段名字段類型字段描述userIdint用戶IDprodutIdint商品IDproductnamestring商品名稱producttagsstring商品標(biāo)簽scoredouble評(píng)分值timestamplong評(píng)分的時(shí)間數(shù)據(jù)加載加載數(shù)據(jù)時(shí)主要用到的是SparkContext依賴中的textFile方法，插入數(shù)據(jù)主要使用SparkSQL中的write方法。最后，實(shí)現(xiàn)jdbc方法，將數(shù)據(jù)寫入MySQL中。數(shù)據(jù)加載核心代碼如下：商品數(shù)據(jù)上傳成功結(jié)果如圖4-3所示：圖4-3商品數(shù)據(jù)上傳結(jié)果用戶評(píng)分?jǐn)?shù)據(jù)上傳成功結(jié)果如圖4-4所示：圖4-4用戶評(píng)分?jǐn)?shù)據(jù)上傳結(jié)果熱門商品統(tǒng)計(jì)歷史熱門商品統(tǒng)計(jì)主要是根據(jù)所有商品評(píng)分?jǐn)?shù)據(jù)計(jì)算獲得評(píng)分次數(shù)最多的商品。主要思路為：先讀取MySQL中的評(píng)分?jǐn)?shù)據(jù)，之后計(jì)算各商品的評(píng)分次數(shù)再進(jìn)行排序，將次數(shù)多的排在前面進(jìn)行推薦。熱門商品統(tǒng)計(jì)主體代碼如下：熱門商品統(tǒng)計(jì)結(jié)果如圖4-5所示：圖4-5熱門商品推薦結(jié)果基于物品的協(xié)同過濾推薦隨著信息技術(shù)的發(fā)展，推薦網(wǎng)站的用戶越來越多，給用戶推薦其可能感興趣的商品難度也越來越大，時(shí)間成本和空間成本都在成指數(shù)倍增長(zhǎng)。這一協(xié)同過濾算法認(rèn)為，如果兩個(gè)商品有同樣的受眾，那這兩個(gè)商品的就可以認(rèn)為是相似的REF_Ref15637\r\h[15]。計(jì)算兩個(gè)商品相似度公式如（4.1）所示：（4.1）其中，Ni是購買商品i（或?qū)ι唐穒評(píng)分）的用戶列表，Nj是購買商品j的用戶列表。核心代碼實(shí)現(xiàn)如下：基于物品的協(xié)同過濾推薦結(jié)果如圖4-6所示：圖4-6基于物品的協(xié)同過濾推薦結(jié)果基于矩陣分解的協(xié)同過濾推薦用戶商品推薦列表系統(tǒng)使用交替最小二乘法（即ALS算法）對(duì)用戶商品數(shù)據(jù)進(jìn)行處理，處理完畢后再進(jìn)行分析，得到用戶可能給這個(gè)商品打的分?jǐn)?shù)，然后把可能的分?jǐn)?shù)由高評(píng)分到低評(píng)分進(jìn)行排列最后將排列結(jié)果上傳到MySQL，核心代碼如下：用戶-商品推薦結(jié)果如圖4-7所示：圖4-7用戶-商品推薦結(jié)果本文使用RMSE求得實(shí)際評(píng)分與預(yù)測(cè)評(píng)分的差距進(jìn)而對(duì)模型進(jìn)行評(píng)估，RMSE的值越小，說明該模型的評(píng)分預(yù)測(cè)結(jié)果越準(zhǔn)確。核心代碼如下：評(píng)估結(jié)果為RMSE為0.0057，由結(jié)果可知，評(píng)分預(yù)測(cè)結(jié)果較為準(zhǔn)確，基于矩陣分解的個(gè)性化商品推薦結(jié)果較好。評(píng)分相似商品計(jì)算通過矩陣分解得到物品的隱含向量表示后，可以基于此離線計(jì)算物品的相似度矩陣，這個(gè)矩陣可以顯示與任意商品相似的其他商品有哪些。使用基于交替式最小二乘法的矩陣分解算法進(jìn)行離線推薦的過程中，系統(tǒng)會(huì)得到兩個(gè)特征矩陣P(m*k)和Q(k*n)REF_Ref8220\r\h[16]。商品Q(k*n)每一行的<t1,t2,t3,,tk>代表特征，于是任意一個(gè)商品a所對(duì)應(yīng)的特征向量可以表示為Qa=<ta1,ta2,ta3,,tak>，另一個(gè)商品b所對(duì)應(yīng)的特征向量可以表示為Qb=<tb1,tb2,tb3,,tbk>REF_Ref26442\r\h[17]。然后使用公式（4.2）來計(jì)算Qa和Qb之間的相似度： （4.2）計(jì)算完成后將最后生成的數(shù)據(jù)保存到商品相似度表中。核心代碼如下：基于物品隱含表示向量計(jì)算出的物品相似度，可以進(jìn)行評(píng)分相似商品推薦。算法推薦結(jié)果如圖4-8所示：圖4-8評(píng)分相似物品推薦結(jié)果

系統(tǒng)實(shí)現(xiàn)用戶操作界面以用戶id為37025的用戶為例。用戶操作界面用戶登錄界面用戶想要進(jìn)入系統(tǒng)首先得進(jìn)行登錄操作，在首頁輸入個(gè)人用戶名和密碼登錄，信息與數(shù)據(jù)庫匹配之后，即可看到推薦結(jié)果展示。登錄界面如圖5-1所示：圖5-1用戶登錄界面熱門商品推薦界面首頁主要由兩部分組成：熱門商品推薦與針對(duì)用戶的個(gè)性化商品推薦兩個(gè)模塊，這兩個(gè)模塊共分為熱門推薦和個(gè)性化商品推薦兩個(gè)菜單。熱門推薦界面數(shù)據(jù)來源于熱門商品統(tǒng)計(jì)模塊得到的統(tǒng)計(jì)結(jié)果，通過讀取熱門推薦數(shù)據(jù)表的數(shù)據(jù)并截取排名前十的商品進(jìn)行展示，如圖5-2所示：圖5-2首頁商品推薦界面?zhèn)€性化推薦界面?zhèn)€性化商品推薦數(shù)據(jù)來自于基于矩陣分解的協(xié)同過濾推薦模塊的用戶-商品推薦列表得到的推薦結(jié)果，讀取個(gè)性化商品推薦表中對(duì)應(yīng)用戶的數(shù)據(jù)并進(jìn)行展示。用戶個(gè)性化商品推薦界面如圖5-3所示：圖5-3個(gè)性化商品推薦推薦界面關(guān)聯(lián)商品推薦界面進(jìn)入首頁后，點(diǎn)擊商品可進(jìn)入該商品的關(guān)聯(lián)商品推薦界面。以商品id為14103的商品“SanDisk閃迪microSDXCClass1064GB至尊高速移動(dòng)存儲(chǔ)卡”為例，該商品的推薦商品分為兩種，一種是根據(jù)矩陣分解得到的評(píng)分相似商品推薦，一種是根據(jù)基于物品的協(xié)同過濾算法得到的受眾相似商品推薦，通過讀取數(shù)據(jù)庫中關(guān)聯(lián)商品推薦數(shù)據(jù)表數(shù)據(jù)進(jìn)行展示。如圖5-4所示：圖5-4關(guān)聯(lián)商品推薦界面管理員操作界面管理員在登錄界面輸入用戶名、密碼后即可登錄系統(tǒng)后臺(tái)。登錄界面與普通用戶登錄界面一致。登錄后臺(tái)后，管理員可進(jìn)行用戶管理、角色管理、菜單管理和商品管理等操作。用戶管理管理員可對(duì)用戶的賬號(hào)信息進(jìn)行管理，如添加、刪除、修改、導(dǎo)入、導(dǎo)出賬號(hào)信息。創(chuàng)建用戶時(shí)，不僅可以填入用戶基本信息，還可以給賬號(hào)分配管理員或者用戶角色，角色不同權(quán)限不同。如圖5-5所示：圖5-5用戶管理界面如圖5-6所示，系統(tǒng)可以添加修改用戶信息并設(shè)置用戶角色。圖5-6用戶信息操作界面角色管理如圖5-7所示，管理員可以通過角色管理菜單管理不同角色的權(quán)限。比如普通用戶只能看到商品信息，而管理員在看到商品信息的同時(shí)也可以對(duì)商品信息