创新实训（44）——相关接口的补充

前言

完善了一个与管理员有关的接口以及用户画像的接口。

管理员接口：用户统计信息的获取

现在只有获取用户性别的数据，之后还可以添加别的，用label区分
Controller层：

    /**
     * 获取所有用户统计信息
     * @param label
     * @return
     */
    @RequestMapping(value = "/statistics/{label}", method = RequestMethod.GET, produces = "application/json")
    public Response getStatistics(
            @PathVariable String  label) {
            //获取用户的性别统计信息
            if("sex".equals(label))
            {
                List<SexCount> sexCounts = new ArrayList<>();
                sexCounts = userService.selectSexCount();
                if(sexCounts.size() == 0)
                {
                    throw new BaseException(ErrorInfoEnum.STATISTIC_NOT_FIND);
                }
                return Response.success("获取统计信息成功", sexCounts);
            }



        return Response.error(532,"获取统计信息失败");
    }

Service层：

   public  List<SexCount>  selectSexCount()
    {
        return userDao.selectSexCount();
    }

Dao层：

    /**
     *获取性别的统计信息
     * @return
     */
    @Select("select sex , count(sex) as count  " +
            "from user group by sex")
    List<SexCount>  selectSexCount();

用户画像接口——获取给用户推荐的标签

推荐系统根据推荐标签来推荐对应标签的文章，所以在用户画像中可以显示一下给用户推荐的标签信息。

    /**
     * 获取推荐的标签信息
     * @param userId
     * @return
     * @throws IOException
     * @throws TasteException
     */
    public List<Tag> getRecommendedTag(int userId) throws IOException, TasteException {
        return userPortraitService.selectRecommendedTagList(userId);
    }

  /**
     * 推荐的标签
     *
     * @param userId
     * @return
     * @throws IOException
     * @throws TasteException
     */
    public List<Tag> selectRecommendedTagList(int userId) throws IOException, TasteException {
        List<Integer> tagIdList = new ArrayList<>();
        tagIdList = getRecommendedTagIdListByAls(userId);
        if (tagIdList.size() == 0) {
            tagIdList = getRecommendedTagIdListByCF(userId);
        }

        List<Tag> tagList = new ArrayList<>();
        for (Integer tagId : tagIdList) {
            Tag tag = tagDao.getTagById(tagId);
            tagList.add(tag);
        }


        return tagList;
    }

    /**
     * 使用Als推荐标签
     *
     * @param userId
     * @return
     */
    public List<Integer> getRecommendedTagIdListByAls(int userId) {
        //推荐的标签
        String tagString = alsRecommended.getRecommendTag(userId);
        //将标签分割为数组
        String temp[] = tagString.split("#");

        List<Integer> tagIdList = new ArrayList<>();
        for (int i = 0; i < temp.length; i++) {
            if (!temp[i].equals("1839")) {
                tagIdList.add(Integer.valueOf(temp[i]));
            }

        }
        return tagIdList;
    }

    /**
     * 使用CF 推荐标签
     *
     * @param userId
     * @return
     */
    public List<Integer> getRecommendedTagIdListByCF(int userId) throws IOException, TasteException {
        //基于用户的协同过滤 推荐得到的标签id
        List<RecommendedItem> userBasedList = cfRecommended.userBasedRecommendedWithTag(userId, 10);
        //基于标签id的协同过滤 推荐得到的标签id
        List<RecommendedItem> itemBaseList = cfRecommended.itemBaseRecommendedWithTag(userId, 10);
        Map<Integer, Double> score = new HashMap<>();
        for (RecommendedItem recommendedItem : userBasedList) {
            int itemId = (int) recommendedItem.getItemID();
            if (!score.containsKey(itemId)) {
                score.put(itemId, 0.0);
            }
            score.put(itemId, score.get(itemId) + recommendedItem.getValue());
        }
        for (RecommendedItem recommendedItem : itemBaseList) {
            int itemId = (int) recommendedItem.getItemID();
            if (!score.containsKey(itemId)) {
                score.put(itemId, 0.0);
            }
            score.put(itemId, score.get(itemId) + recommendedItem.getValue());
        }
        List<Map.Entry<Integer, Double>> list = new ArrayList<>(score.entrySet());
        list.sort((o1, o2) -> o2.getValue().compareTo(o1.getValue()));
        int index = 0;
        List<Integer> tagIdList = new ArrayList<>();
        for (Map.Entry<Integer, Double> t : list) {
            if (t.getKey() != 1839) {
                tagIdList.add(t.getKey());
                if (++index > 10) {
                    break;
                }
            }
        }
        return tagIdList;
    }

最后展示出来发现，推荐的标签基本都是用户阅读文章的时出现最多的标签，偶尔会出现新的标签，看来推荐的效果还可以。