基于个性化的协同过滤图书推荐算法研究.docVIP

基于个性化的协同过滤图书推荐算法研究 　　摘要：近年来，随着国家对教育的重视，图书馆图书呈线性增长，借阅者很难从海量的图书资源中选取有用的信息。基于个性化的协同过滤推荐算法有效地解决了这个问题，为了提高推荐的准确度，引入相似度影响因子，充分考虑不同因素对推荐结果影响力的大小。 　　关键词：推荐系统；系统过滤；用户相似性；影响因子 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）28-0088-02 　　1 背景 　　协同过滤算法给我们的生活带来了极大的便利，特别是当我们在网上购物时，网站总是能推送我们需要的商品，简化了购物过程，方便了我们的生活。协同过滤算法可以根据用户偏好和其他特征为用户推荐相似物品，面对海量的图书馆图书资源，如果可以将协同推荐算法用于图书馆图书推荐，将能极大地方便学生的学习生活。 　　2 相关工作 　　以前图书馆推荐算法直接依据图书评分数据，按评分高低向用户进行推荐，没有考虑到用户的偏好和需求。随着技术的发展，图书推荐算法也得到了改进，目前常用的图书馆推荐算法大致分为三种： 　　1）基于内容的推荐算法：该算法的基本思想是根据用户的借阅历史记录，分析借阅书籍，提取用户标签数据，然后将用户标签和图书标签进行匹配，观察匹配程度，选取前N本图书，生成图书推荐列表。 　　2）协同过滤推荐算法：该算法在基于内容的推荐算法上进一步改进，加入相似度概念，考虑有着相似兴趣爱好的读者对用户的影响。我们需要计算用户相似度，找到与该用户最相似的top-N用户，然后分析用户对这些相似用户已借阅读书的感兴趣程度，得到图书推荐列表。目前有三种常用方法用于计算用户之间的关联度。 　　欧几里得距离法：将用户对读书的评分转换成向量的形式，由此我们得到一个n维的评分向量，利用欧几里得公式计算两个向量之间的距离，距离值越小相似度越高，欧氏公式为： 　　余弦相似性：将用户评分看成一个n维的向量，利用余弦公式计算两个用户向量夹角余弦值，值越大两个用户就越相似，余弦公式为： 　　相关相似性：利用Pearson相关系数计算两个读者之间的相似程度。 　　3）基于用户个性化协同过滤推荐算法：根据高校的实际情况和需求，应运而生了一种基于用户背景的个性化推荐方法。一般情况下，用户多会借阅本专业的相关书籍，所以在进行推荐的过程中可以重点考虑相关专业同学的借阅记录，将他们借阅过的书籍进行重点推荐。 　　3 基于个性化的协同过滤推荐算法 　　3.1 图书初始评分 　　每天图书馆会有大量的新书上线，这些新书由于之前没有人借阅，需要为这些图书人为的划分类别和设置评分初值，根据《中图法》可以将图书划分成不同的22个大类。 　　3.2 计算用户对每一类别图书的偏好 　　根据用户的借阅历史和历史评分，结合之前的图书分类数据，计算用户对一类书籍的总评分。用户借阅不同类别书籍的数量不同，可以反映用户对某类书籍的喜爱程度，为此我们为用户已评价类别赋予不同的权重值：。为某类别图书借阅统计次数，为所有借阅图书的总次数。由此我们可以计算出用户对该类图书的评分，评分公式为： 　　表示读者a对类别书籍的评分，i属于类别的图书，是用户对类别图书的总评分。 　　3.3 根据用户偏好，计算用户相似度 　　上一步我们得到了用户对图书类别的评分，根据这个评分，使用皮尔逊相关系数算法计算用户之间的相似度，找出用户的近邻集合U。皮尔逊相关性公式为： 　　M为用户a和b的共同评分项，和分别为用户a和用户b的平均评分，利用图书类别计算用户间的相似度可以大大减少计算量。根据上式我们得到用户之间的相似度，依据相似度大小进行排序，选取前N个用户作为用户a的邻居集合U。 　　3.4 预测用户对其他书籍的评分产生推荐 　　我们根据用户的近邻集U可以产生图书推荐列表，为了使推荐列表更准确，我们引入读者相似度的影响因子。考虑到实际情况，影响因子的主要有用户专业、职位和以往评分准确度这三个方面。 　　1）专业： 　　众所周知，相同专业的学生对书的需求是相似的，所有相同专业学生的借阅书籍对推荐影响较大（），影响因子表达式如下： 　　2）职位 　　学校内老师、研究生和大学生是借书的主力军。不同职位的人对图书好坏的判读力是不同的，因此老师对图书推荐的推荐影响力应该最大。下表中的，，呈现逐渐递减关系： 　　3）历史评分准确度 　　不同用户有不同的评分习惯，对图书评分的标准不同，为了确保推荐的准确度，我们引入第三个影响因子。如果用户评分越接近平均分则用户评分越准确，影响因子也就越大，影响因子计算公式为： 　　其中S为用户评分图书集，为用户对图书i的评分，为图书的平均评分，max和min分别为图书i获得评分的最大值和最小值。 　　综