【正文】 Vector c_uservector = new Vector()。 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。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。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)。主頁： 生物信息學推薦系統(tǒng)的設(shè)計與實現(xiàn) 摘要：在生物信息學系統(tǒng)設(shè)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(shè)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。基于規(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。 (2)信息處理。數(shù)據(jù)庫部分主要存儲用戶信息和項目信息，用 SQL Server 2021 實現(xiàn)。 //當前用戶向量 Vector o_uservector = new Vector()。 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(guān)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。 主頁： //當前用戶與其他用戶之間相似度向量 for(int i=0。用戶訪問層主要涉及網(wǎng)頁與用戶的交互和調(diào)用數(shù)據(jù)訪問層的存儲過程，在這里不做詳細的介紹。 (3)矩陣處理。因此本文所用的算法是基于協(xié)同過濾的推薦算法。生物信息學 (Bioinformatics)[2,3]是由生物學、應用數(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(shù)來解決生物學問題。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 R ij=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。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。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。 下面給出方法 FCArithmetic 的關(guān)鍵代碼： Matrix user_item=()。作為測試用例，圖 6 顯示用戶 Jack 與系統(tǒng)中一部分用戶的相似度，可以看出它與自己的相似度必定最高；并且它與用戶 Sugx 訪問了相同的項目，它們之間的相似度也為 1，具有極高的相似度。 // for(int k=0。該類完成與 SQL Server 2021 數(shù)據(jù)庫的