论文部分内容阅读
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。
综上所述，用户的综合评分影响因子表达式为：
用户对某本图书的预测评分公式为：
n为属于U集合的用户数量，和分别为用户a和用户b的平均评分，为用户b对j图书的评分。
由用户对某本图书的预测评分公式，我们得到用户对推荐列表内每本图书的预测评分，根据实际情况，我们选择前N本图书进行推荐。
4 结束语
随着科技的发展，推荐系统在我国得到广泛使用，图书推荐系统也逐渐进入学生的学习生活。根据高校的实际情况，我们提出了一种改进的图书推荐系统，引入影响因子概念，提高推荐准确度。使学生在面对海量的数据时可用更方便地找到符合自己的学习资源。
参考文献：
[1] 刘建国， 周涛， 汪秉宏. 个性化推荐系统的研究进展[J]. 自然科学研究进展， 2009， 19（1）： 1-15.
[2] 张怡文， 岳丽华， 张义飞. 基于共同用户和相似标签的好友推荐方法[J]. 计算机应用， 2013， 33（8）； 2273-2275.
[3] 吕果， 李法运. 基于改进协同过滤的移动个性化推荐服务研究[J]. 情报探索， 2014（20）： 101-105.
[4] 杨涛， 曹树金. 图书馆用户的个性化服务需求实证研究[J]. 大学图书馆学报， 2011（2）： 76-85.
[5] 许文青， 林双平. 融合热门度因子基于标签的个性化图书推荐算法[J]. 图书情报研究，2015（3）： 82-86.
[6] Koren Y. Factor in the neighbors： scalable and accurate collaborative filtering[J]. ACM Transactions on Knowledge Discovery from Data， 2010， 4（1）： 24.
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。
综上所述，用户的综合评分影响因子表达式为：
用户对某本图书的预测评分公式为：
n为属于U集合的用户数量，和分别为用户a和用户b的平均评分，为用户b对j图书的评分。
由用户对某本图书的预测评分公式，我们得到用户对推荐列表内每本图书的预测评分，根据实际情况，我们选择前N本图书进行推荐。
4 结束语
随着科技的发展，推荐系统在我国得到广泛使用，图书推荐系统也逐渐进入学生的学习生活。根据高校的实际情况，我们提出了一种改进的图书推荐系统，引入影响因子概念，提高推荐准确度。使学生在面对海量的数据时可用更方便地找到符合自己的学习资源。
参考文献：
[1] 刘建国， 周涛， 汪秉宏. 个性化推荐系统的研究进展[J]. 自然科学研究进展， 2009， 19（1）： 1-15.
[2] 张怡文， 岳丽华， 张义飞. 基于共同用户和相似标签的好友推荐方法[J]. 计算机应用， 2013， 33（8）； 2273-2275.
[3] 吕果， 李法运. 基于改进协同过滤的移动个性化推荐服务研究[J]. 情报探索， 2014（20）： 101-105.
[4] 杨涛， 曹树金. 图书馆用户的个性化服务需求实证研究[J]. 大学图书馆学报， 2011（2）： 76-85.
[5] 许文青， 林双平. 融合热门度因子基于标签的个性化图书推荐算法[J]. 图书情报研究，2015（3）： 82-86.
[6] Koren Y. Factor in the neighbors： scalable and accurate collaborative filtering[J]. ACM Transactions on Knowledge Discovery from Data， 2010， 4（1）： 24.