基于用户偏好的多特征融合个性化图书推荐模型研究.docVIP

基于用户偏好的多特征融合个性化图书推荐模型研究 　　引言 　　随着时间的推移，图书馆的资源越来越多，随着网络技术的发展，图书馆开始从传统的纸质图书的阅读服务转到数字信息资源的服务。图书馆的管理工作也开始自动化、数字化和信息化。对于图书馆来讲，数字化发展之路已成为未来发展的必然趋势。数字图书馆可以为用户提供更好的信息服务，可以有效地实现不同类型、不同位置的信息资源7*24服务模式。但是互联网的发展，使得数据量变得越来越大，正在以几何级数的速度增长。用户如何从大量的信息资源中获取有用的资源已成为一个现实问题。数字图书馆是为用户提供数字资源的，解决用户对于信息服务的日益增长的需求，目前的数字资源的服务模式并不完善，用户而对的各种信息资源不断增加，但信息资源的准确性仍然不是很理想。因此个性化图书馆服务将成为未来图书馆主要的服务方式，是图书馆提高服务质量和服务水平的重要途径。 　　上世纪90年代，个性化推荐技术被提出来，然后各国学者对此进行了大量的研究，并取得了相当好的成果，然后被应用到电子商务网站中，创造了巨大的经济价值。但总的来讲，现有的推荐系统存在一些问题，主要包括:一是推荐质量的评价，还没有一个很好的指标来评价推荐系统的推荐质量;二是冷启动问题，即对新加入的用户或商品如何推荐的问题;三是效率和实时性问题;四是用户交互问题。随着数字图书馆的发展和读者个性需求的发展，个性化推荐技术逐渐被应用到图书馆领域，个性化推荐技术中最为成熟的是协同过滤推荐技术，通过图书或读者之间的相似性，产生图书或读者之间的最近邻居，再由最近邻居向目标读者推荐相似图书。但是这种算法复杂度大，其推荐质量受多种因素的影响，推荐质量不高。针对这一问题，本文提出一种基于读者偏好的多特征融合的个性化图书推荐算法。个性化图书推荐[是根据已有的数据挖掘出相关规律，用找到的规律来对不同类型、层次的读者推荐相关的图书。图书管理系统经过多年的运行积累了大量的借阅数据，这些借阅记录是产生关联规则的重要数据来源，因此个性化推荐系统与原有的图书借阅系统密不可分。同时这些记录也有效体现了不同读者的偏好特征。 　　1个性化推荐算法及相关技术 　　个性化推荐的核心是推荐算法。随着技术的发展，各种各样的推荐算法被提出来。目前常用的推荐算法主要包括基于内容的推荐算法、基于历史行为的推荐算法(又可分为基于关联规则的算法、基于用户的协同过滤算法和基于项目的协同过滤算法)和基于模型的推荐算法(主要有随机游走算法、奇异值分解、概率潜在语义分析等) 　　个性化推荐技术可以帮助读者从大量的数据海洋中准确、高效地获取所需要的信息。目前比较成熟的推荐技术主要有以下几种： 　　①基于关联规则的推荐技术:其原理是通过分析用户当前的兴趣受好或访问记录进行规则提出，寻找有意义的关联组合，然后按规则方式向用户推荐其可能感兴趣的信息资源。常用的关联规则方法有Apriori算法以及基于Apriori算法改进的FP-Growth算法等。 　　②基于内容过滤的推荐技术:基于内容的推荐在本质上是信息过滤技术的延续和发展。系统无须获取用户对项目的评价意见，而仅仅通过学习用户的对历史选择项目的内容信息，来进行新项目的推荐。由于基于内容的推荐算法的根本在于信息提取和信息过滤，属于文本处理的研究范畴，理论上的研究也比较成熟，因此现有很多基于内容的推荐系统都是通过分析产品的文本信息进行推荐的。最常用方法就是信息过滤中TF-IDF算法。 　　③协同过滤推荐技术:协同过滤也称社会过滤，通过计算用户间偏好的相似性:找到与当前用户相似的其他用户来计算对该用户的效用值，利用该效用值对对象进行排序或加权操作，从而找到最合适的推荐对象.其基本思想为具有相同或相似的价值观、思想观、知识水平和兴趣偏好的用户，其对信息的需求也是相似的[poi。因此相对于传统的推荐方法，协同过滤技术体现出的一个显著的优势是对推荐的对象没有特殊要求，对于一些难以进行内容分析的抽象项目，比如信息质量、个人品味等也能够实现推荐。 　　协同过滤推荐是利用用户间的偏好相似性来进行推荐，并且推荐过程是完全自动完成的，不需要用户通过填写调查表等方式来明确自己所感兴趣的信息。 　　④混合推荐技术:各种推荐方法都有其优缺点，并且在一定程度上具有互补性，因此在推荐系统中组用组合推荐策略的方式来对用户进行推荐，往往会得到较好的推荐结果。尽管组合策略有多种，但常用的方式是将协同过滤和基于内容的推荐技术相结合来解决特定的问题。因此在党组织合推荐策略中最重要的原则就是根据实际情况选择合适的组合方式，通过扬长避短，以取得最优推荐结果。常用的组合思路有七种=，分别是:加权、变换、混合、特给组合、层叠、特征扩充、无组别