圖書館圖書推薦算法的研究

丁嵐

摘要：圖書館數(shù)字化研究對于提高圖書館的服務質(zhì)量有著非常重要的意義。本文從圖書推薦入手，介紹了協(xié)同過濾算法可以分為基于模型的協(xié)同過濾算法和基于記憶的協(xié)同過濾算法，著重介紹了基于記憶的協(xié)同過濾算法中的基于項目的協(xié)同過濾算法，闡述了算法的原理和基本步驟，為下一步的應用奠定了基礎。

關(guān)鍵詞：圖書推薦 協(xié)同過濾 相似度

中圖分類號： TP391.3 文獻標識碼：A 文章編號：1007-9416（2016）05-0000-00

1 引言

數(shù)字圖書館逐漸向自動化、智能化、個性化發(fā)展。數(shù)據(jù)資源豐富，屬性眾多，信息冗雜，但是有效利用率并不高，而且讀者接受的服務并不具有針對性。個性化圖書推薦可以根據(jù)個人圖書借閱歷史、用戶的瀏覽痕跡和用戶的資料，找出學生或者老師可能感興趣的圖書，由此向?qū)W生或者老師推薦相關(guān)的圖書，圖書推薦的方式有很多方法，例如基于內(nèi)容的推薦、基于關(guān)聯(lián)規(guī)則的推薦和基于協(xié)同過濾的推薦等。

協(xié)同過濾是分析用戶興趣，并找出與當前用戶有共同喜好的用戶，然后根據(jù)相似用戶對某一項目的喜好度，預測當前用戶是否喜歡此項目，由此作出推薦。算法的推薦原理非常的簡單。用戶的信息與項目在預測部分要事先預處理下，然后輸出推薦的結(jié)果。

2 協(xié)同過濾算法的分類

根據(jù)Breese等學者的研究，可將協(xié)同過濾算法分為兩大類：基于模型的協(xié)同過濾算法（Model.Based Collaborative Filtering）和基于記憶的協(xié)同過濾算法（Memory—Based Collaborative Filtering）。

基于模型算法的主要思想是根據(jù)機器學習或者統(tǒng)計方法對用戶的評分信息進行建模，通過建好的模型來預測用戶的喜好度，以此來作出推薦。常用的建模算法有潛在語義技術(shù)、聚類技術(shù)、Bayes算法以及支持向量機等算法。支持向量機算法具有實時性較好，穩(wěn)定性較高，但是需要建立大量的模型，并且費用較高。

基于記憶的協(xié)同過濾算法主要分為基于用戶的協(xié)同過濾算法（User-based Collaborative Filtering，UBCF）和基于項目的協(xié)同過濾算法 （Item-based Collaborative Filtering，IBCF）兩類。在本文中，將詳細介紹基于項目的協(xié)同過濾算法。

3 基于項目的協(xié)同過濾算法

基于用戶的協(xié)同過濾推薦算法㈣有擴展性和稀疏性問題，在2001年，Sarwar等人提出了基于項目的協(xié)同過濾算法[351。其基本原理用戶對項目進行喜好評分，根據(jù)這些評分計算項目之間的相似度，把相似的項目推薦給用戶。原理如圖1所示。

從圖1中可以看出學生A對圖書1和圖書，3感興趣，學生B對圖書1、圖書2和圖書3感興趣，學生C對圖書1感興趣，可以推出，圖書1和圖書3是比較相似的，對圖書1感興趣的學生可能也對圖書3感興趣。由此也可以推出學生C對圖書3也比較感興趣，可以考慮將圖書3推薦給學生C。

基于項目的協(xié)同過濾算法主要有三個步驟，先計算項目之間的相似度，然后選擇近鄰，最后作出推薦。

（1）項目之間相似度的計算。常見的計算相似度的算法有Pearson相關(guān)系數(shù)法 （Pearson Correlation Coefficient）、余弦相似度法 （Cosine Similarity）和調(diào)整余弦相似度法（Adjustment Cosine Similarity）。例如：Pearson相關(guān)系數(shù)：計算兩個項目之間的線性關(guān)系，如式（1）所示

在上式中，表示項目u和v之間的相似度，是用戶u對項目i的評分，是用戶v對項目i的評分，是用戶u在已經(jīng)評價過的項目上的平均分，是用戶v在已經(jīng)評價過的項目上的平均分。

（2） 尋找相似鄰。計算了項目之間的相似度后，尋找相似近鄰。最常用的尋找相似近鄰有K均值方法和設閾值法。

（3）產(chǎn)生推薦。主要有兩種方法：Top-N推薦列表和預測當前用戶對項目的評分?？紤]到求平均值是不太理想的，有人提出了使用加權(quán)平均值方法。主要兩種方法，具體如式（2.10）與式（2.11）所示。

其中，為項目間的相似度，項目間的相似度越大，則預測評分的影響就也越大。

4 算法實驗驗證

本文實驗評估仍然基于Book.Crossing數(shù)據(jù)集，學校圖書館中用戶對圖書的評分從2003年到2015年的評分有1e10條記錄，是由1e6個用戶對5e5的評分，這些評分是O～5，0表示用戶不喜歡，5表示用戶非常的喜歡該本圖書。對算法進行測試，測量真實評分與預測評分之間的平均絕對誤。算法運行5次，平均誤差小于0.5%，因此，說明算法具有很好的推薦效果。

5 結(jié)語

闡述了協(xié)同過濾推薦算法的相關(guān)理論，重點介紹基于項目的協(xié)同過濾算法，算法的步驟可以分為項目之間相似度的計算、尋找相似鄰和產(chǎn)生推薦三個方面。實驗結(jié)果表明，該算法具有一定的推薦效果。

參考文獻

[1]聶飛霞.高校圖書館個性化圖書推薦系統(tǒng)設計[J].情報探索，2014，1（195）：115-118.