基于個性化的協(xié)同過濾圖書推薦算法研究

1、 基于個性化的協(xié)同過濾圖書推薦算法研究 黃瑛+楊維偉Summary：近年來，隨著國家對教育的重視，圖書館圖書呈線性增長，借閱者很難從海量的圖書資源中選取有用的信息?；趥€性化的協(xié)同過濾推薦算法有效地解決了這個問題，為了提高推薦的準(zhǔn)確度，引入相似度影響因子，充分考慮不同因素對推薦結(jié)果影響力的大小。Key：推薦系統(tǒng)；系統(tǒng)過濾；用戶相似性；影響因子：TP311 ：A ：1009-3044（2016）28-0088-021 背景協(xié)同過濾算法給我們的生活帶來了極大的便利，特別是當(dāng)我們在網(wǎng)上購物時，網(wǎng)站總是能推送我們需要的商品，簡化了購物過程，方便了我們的生活。協(xié)同過濾算法可以根據(jù)用戶偏好和其他特征為用戶

2、推薦相似物品，面對海量的圖書館圖書資源，如果可以將協(xié)同推薦算法用于圖書館圖書推薦，將能極大地方便學(xué)生的學(xué)習(xí)生活。2 相關(guān)工作以前圖書館推薦算法直接依據(jù)圖書評分數(shù)據(jù)，按評分高低向用戶進行推薦，沒有考慮到用戶的偏好和需求。隨著技術(shù)的發(fā)展，圖書推薦算法也得到了改進，目前常用的圖書館推薦算法大致分為三種：1）基于內(nèi)容的推薦算法：該算法的基本思想是根據(jù)用戶的借閱歷史記錄，分析借閱書籍，提取用戶標(biāo)簽數(shù)據(jù)，然后將用戶標(biāo)簽和圖書標(biāo)簽進行匹配，觀察匹配程度，選取前N本圖書，生成圖書推薦列表。2）協(xié)同過濾推薦算法：該算法在基于內(nèi)容的推薦算法上進一步改進，加入相似度概念，考慮有著相似興趣愛好的讀者對用戶的影響。我們

3、需要計算用戶相似度，找到與該用戶最相似的top-N用戶，然后分析用戶對這些相似用戶已借閱讀書的感興趣程度，得到圖書推薦列表。目前有三種常用方法用于計算用戶之間的關(guān)聯(lián)度。歐幾里得距離法：將用戶對讀書的評分轉(zhuǎn)換成向量的形式，由此我們得到一個n維的評分向量，利用歐幾里得公式計算兩個向量之間的距離，距離值越小相似度越高，歐氏公式為：余弦相似性：將用戶評分看成一個n維的向量，利用余弦公式計算兩個用戶向量夾角余弦值，值越大兩個用戶就越相似，余弦公式為：相關(guān)相似性：利用Pearson相關(guān)系數(shù)計算兩個讀者之間的相似程度。3）基于用戶個性化協(xié)同過濾推薦算法：根據(jù)高校的實際情況和需求，應(yīng)運而生了一種基于用戶背景的

4、個性化推薦方法。一般情況下，用戶多會借閱本專業(yè)的相關(guān)書籍，所以在進行推薦的過程中可以重點考慮相關(guān)專業(yè)同學(xué)的借閱記錄，將他們借閱過的書籍進行重點推薦。3 基于個性化的協(xié)同過濾推薦算法3.1 圖書初始評分每天圖書館會有大量的新書上線，這些新書由于之前沒有人借閱，需要為這些圖書人為的劃分類別和設(shè)置評分初值，根據(jù)中圖法可以將圖書劃分成不同的22個大類。3.2 計算用戶對每一類別圖書的偏好根據(jù)用戶的借閱歷史和歷史評分，結(jié)合之前的圖書分類數(shù)據(jù)，計算用戶對一類書籍的總評分。用戶借閱不同類別書籍的數(shù)量不同，可以反映用戶對某類書籍的喜愛程度，為此我們?yōu)橛脩粢言u價類別賦予不同的權(quán)重值：。為某類別圖書借閱統(tǒng)計次數(shù)，

5、為所有借閱圖書的總次數(shù)。由此我們可以計算出用戶對該類圖書的評分，評分公式為：表示讀者a對類別書籍的評分，i屬于類別的圖書，是用戶對類別圖書的總評分。3.3 根據(jù)用戶偏好，計算用戶相似度上一步我們得到了用戶對圖書類別的評分，根據(jù)這個評分，使用皮爾遜相關(guān)系數(shù)算法計算用戶之間的相似度，找出用戶的近鄰集合U。皮爾遜相關(guān)性公式為：M為用戶a和b的共同評分項，和分別為用戶a和用戶b的平均評分，利用圖書類別計算用戶間的相似度可以大大減少計算量。根據(jù)上式我們得到用戶之間的相似度，依據(jù)相似度大小進行排序，選取前N個用戶作為用戶a的鄰居集合U。3.4 預(yù)測用戶對其他書籍的評分產(chǎn)生推薦我們根據(jù)用戶的近鄰集U可以產(chǎn)生

6、圖書推薦列表，為了使推薦列表更準(zhǔn)確，我們引入讀者相似度的影響因子?？紤]到實際情況，影響因子的主要有用戶專業(yè)、職位和以往評分準(zhǔn)確度這三個方面。1）專業(yè)：眾所周知，相同專業(yè)的學(xué)生對書的需求是相似的，所有相同專業(yè)學(xué)生的借閱書籍對推薦影響較大（），影響因子表達式如下：2）職位學(xué)校內(nèi)老師、研究生和大學(xué)生是借書的主力軍。不同職位的人對圖書好壞的判讀力是不同的，因此老師對圖書推薦的推薦影響力應(yīng)該最大。下表中的，呈現(xiàn)逐漸遞減關(guān)系：3）歷史評分準(zhǔn)確度不同用戶有不同的評分習(xí)慣，對圖書評分的標(biāo)準(zhǔn)不同，為了確保推薦的準(zhǔn)確度，我們引入第三個影響因子。如果用戶評分越接近平均分則用戶評分越準(zhǔn)確，影響因子也就越大，影響因子計

7、算公式為：其中S為用戶評分圖書集，為用戶對圖書i的評分，為圖書的平均評分，max和min分別為圖書i獲得評分的最大值和最小值。綜上所述，用戶的綜合評分影響因子表達式為：用戶對某本圖書的預(yù)測評分公式為：n為屬于U集合的用戶數(shù)量，和分別為用戶a和用戶b的平均評分，為用戶b對j圖書的評分。由用戶對某本圖書的預(yù)測評分公式，我們得到用戶對推薦列表內(nèi)每本圖書的預(yù)測評分，根據(jù)實際情況，我們選擇前N本圖書進行推薦。4 結(jié)束語隨著科技的發(fā)展，推薦系統(tǒng)在我國得到廣泛使用，圖書推薦系統(tǒng)也逐漸進入學(xué)生的學(xué)習(xí)生活。根據(jù)高校的實際情況，我們提出了一種改進的圖書推薦系統(tǒng)，引入影響因子概念，提高推薦準(zhǔn)確度。使學(xué)生在面對海量的

8、數(shù)據(jù)時可用更方便地找到符合自己的學(xué)習(xí)資源。Reference：1 劉建國， 周濤， 汪秉宏. 個性化推薦系統(tǒng)的研究進展J. 自然科學(xué)研究進展， 2009， 19（1）： 1-15.2 張怡文， 岳麗華， 張義飛. 基于共同用戶和相似標(biāo)簽的好友推薦方法J. 計算機應(yīng)用， 2013， 33（8）； 2273-2275.3 呂果， 李法運. 基于改進協(xié)同過濾的移動個性化推薦服務(wù)研究J. 情報探索， 2014（20）： 101-105.4 楊濤， 曹樹金. 圖書館用戶的個性化服務(wù)需求實證研究J. 大學(xué)圖書館學(xué)報， 2011（2）： 76-85.5 許文青， 林雙平. 融合熱門度因子基于標(biāo)簽的個性化圖書推薦算法J. 圖書情報研究，2015（3）： 82-86.6 Koren Y. Factor in the ne