基于線性加權(quán)融合模式的圖書資源推薦方法研究

譚亮 周靜

摘要：隨著計算機技術(shù)的發(fā)展，越來越多的書籍采用數(shù)字化方式進(jìn)行出版，為解決信息過載，幫助讀者快速查找到需要的圖書資源，本文利用數(shù)字圖書管理系統(tǒng)已有的用戶信息、用戶借閱等信息，采用線性加權(quán)融合模式，設(shè)計了一種基于圖書資源內(nèi)容過濾和用戶隱式行為評分相混合的，并能應(yīng)用于實際工程環(huán)境的圖書資源個性化推薦模型，從而為讀者提供快速、準(zhǔn)確的個性化推薦服務(wù)。

關(guān)鍵詞：資源推薦；內(nèi)容過濾；隱式評分；線性加權(quán)融合

隨著計算機技術(shù)的發(fā)展，越來越多的書籍采用數(shù)字化方式進(jìn)行出版，數(shù)字圖書資源已成為各級各類圖書館收藏的重點。面對指數(shù)級增長的數(shù)字圖書資源，數(shù)字圖書館的建設(shè)已經(jīng)從信息資源的數(shù)字化進(jìn)入了信息整合、服務(wù)個性化的發(fā)展階段；從用戶被動查找數(shù)字圖書到主動根據(jù)用戶的興趣和行為提供個性化的推薦服務(wù)。如何采用個性化推薦技術(shù)為讀者提供快速、準(zhǔn)確的圖書推薦服務(wù)，是現(xiàn)代圖書館學(xué)研究的重點。

一、研究現(xiàn)狀

近年來，電子商務(wù)領(lǐng)域的個性化推薦服務(wù)已有不少研究成果，并有研究成果應(yīng)用于實際生產(chǎn)環(huán)境中。因此，有許多學(xué)者提出將數(shù)據(jù)挖掘相關(guān)技術(shù)應(yīng)用到個性化圖書推薦中，幫助讀者快速、準(zhǔn)確地找到自己想要的圖書資源。通過對相關(guān)文獻(xiàn)的分析和研究可以看出，目前國內(nèi)對于圖書推薦系統(tǒng)的研究，理論型偏多，主要通過以下3種方式實現(xiàn)圖書資源的個性化推薦：第一種方式是分析用戶的借閱歷史，為用戶推薦與其借閱記錄中相類似的圖書；第二種方式是挖掘用戶的借閱行為，通過建立興趣模型為用戶推薦具有相似借閱行為用戶的借閱信息；第三種是關(guān)聯(lián)用戶與圖書的特征信息，通過發(fā)現(xiàn)用戶與圖書之間的關(guān)聯(lián)特征或模式并生成關(guān)聯(lián)規(guī)則，從而為用戶推薦其可能感興趣的圖書…。從實現(xiàn)技術(shù)來看，針對以上3種方式提出了一些個性化的推薦技術(shù)，包括基于內(nèi)容的個性化推薦、基于用戶的個性化推薦、基于知識的個性化推薦以及組合推薦等。雖然目前已有多種推薦方法被用于個性化推薦領(lǐng)域，但是通過研究發(fā)現(xiàn)基于單一模式的推薦方式存在諸多的缺陷，現(xiàn)在有不少學(xué)者研究基于混合模式的推薦方法，通過組合盡可能地彌補和避免單一模式的弱點。從理論上講，各種模式都可以組合，但是實際應(yīng)用中，并不是所有的模式組合都會提升推薦的準(zhǔn)確性，目前使用最多的是將內(nèi)容推薦和協(xié)同過濾推薦相組合。在組合方式上，不同的組合方法適用于不同的應(yīng)用場景，經(jīng)過對文獻(xiàn)的研究分析，可以將組合方式大致分為線性加權(quán)融合模式、交叉融合模式、瀑布型融合模式、特征融合模式、預(yù)測融合模式和分類器模式等5種。

線性加權(quán)融合模式簡單易用，工程實現(xiàn)方便，常應(yīng)用于實際生產(chǎn)環(huán)境?？紤]到系統(tǒng)的應(yīng)用場景和系統(tǒng)的復(fù)雜度，本文采用線性加權(quán)融合推薦模式，設(shè)計一種基于圖書資源內(nèi)容推薦和用戶行為推薦相混合的推薦方式，對用戶進(jìn)行個性化圖書資源推薦，有效地幫助用戶發(fā)現(xiàn)自己感興趣的圖書資源，提高圖書資源的流通利用率和用戶滿意度。

二、圖書資源個性化推薦系統(tǒng)設(shè)計

本文設(shè)計的圖書資源推薦系統(tǒng)基于原有圖書管理系統(tǒng)中保存的大量用戶基本信息、用戶行為、讀者評價等信息，首先根據(jù)圖書資源內(nèi)容進(jìn)行推薦，在此結(jié)果上再根據(jù)用戶隱式行為進(jìn)行推薦，從而最大限度地利用系統(tǒng)已有的信息資源，實現(xiàn)圖書資源的更加準(zhǔn)確的推薦，具體系統(tǒng)流程圖如下：

（一）用戶數(shù)據(jù)管理與維護(hù)。用戶是圖書系統(tǒng)的服務(wù)對象和基礎(chǔ)，因此用戶數(shù)據(jù)是圖書系統(tǒng)的基礎(chǔ)，本文所指的用戶數(shù)據(jù)包括用戶基本信息數(shù)據(jù)和用戶借閱歷史數(shù)據(jù)。為了更好地為用戶提供個性化推薦服務(wù)，需要對這些數(shù)據(jù)進(jìn)行管理與維護(hù)。

（二）圖書資源數(shù)據(jù)提取與管理。圖書資源數(shù)據(jù)包括元數(shù)據(jù)和內(nèi)容數(shù)據(jù)。圖書資源的元數(shù)據(jù)，是指數(shù)字圖書資源的基本描述信息，如標(biāo)題、作者、出版社、書號、簡介、關(guān)鍵字等數(shù)據(jù)。本文所設(shè)計的推薦系統(tǒng)將充分利用已有的圖書管理系統(tǒng)，提取出圖書資源的元數(shù)據(jù)，為實現(xiàn)基于內(nèi)容的推薦做基本的數(shù)據(jù)準(zhǔn)備；并在系統(tǒng)允許或者版權(quán)允許范圍內(nèi)提取出圖書資料的內(nèi)容信息，為更好地實現(xiàn)基于內(nèi)容的推薦提供支持。

（三）圖書資源內(nèi)容相似度分析。圖書資源內(nèi)容數(shù)據(jù)主要是指數(shù)字圖書資源的內(nèi)容文本數(shù)據(jù)，本文主要涉及對中文數(shù)據(jù)內(nèi)容的分析處理，經(jīng)過分詞、去停用詞、關(guān)鍵詞提取和內(nèi)容相似度計算等步驟，得到圖書資源內(nèi)容的相似度值。

（四）用戶隱式行為數(shù)據(jù)分析。用戶行為數(shù)據(jù)指用戶與管理系統(tǒng)進(jìn)行交互時所產(chǎn)生的借閱記錄、瀏覽記錄、檢索記錄和收藏記錄等數(shù)據(jù)。由于圖書管理系統(tǒng)或者用戶習(xí)慣的不同，目前在實際應(yīng)用中對圖書資源進(jìn)行顯式評分的情形還是比較少，這不利于對用戶行為進(jìn)行量化分析。對此本文采取隱式評分機制，通過制定較為合理的策略，將用戶常見的對圖書資源的非評分行為轉(zhuǎn)化為評分行為，對數(shù)據(jù)進(jìn)行分析和建模，將用戶的行為作為隱式反饋來推測用戶的興趣，以彌補之前基于圖書資源自身內(nèi)容信息缺失的不足。

（五）圖書資源個性化推薦。本文采用線性加權(quán)融合推薦模式，即首先采用基于圖書資源內(nèi)容的推薦技術(shù)產(chǎn)生推薦結(jié)果；再采用用于隱式行為的推薦方法產(chǎn)生推薦結(jié)果；最后根據(jù)兩次的推薦結(jié)果采用線性加權(quán)方式得出個性化推薦結(jié)果列表。

三、圖書資源內(nèi)容相似度分析

基于圖書資源內(nèi)容的推薦首先面對的問題是中文文本數(shù)據(jù)的處理，經(jīng)過分詞、去停用詞、特征的選擇與提取、特征加權(quán)和內(nèi)容相似度計算，構(gòu)建圖書資源內(nèi)容的文本內(nèi)容向量。

（一）分詞。分詞是中文信息處理的關(guān)鍵步驟，其主要作用是將中文文檔處理為獨立的特征。本文采用中文分詞方法HanLP，該分詞器性能高效，底層采用高速數(shù)據(jù)結(jié)構(gòu)，能應(yīng)用于實際生產(chǎn)環(huán)境中，采用極速分詞模式能達(dá)到2000萬字每秒。

（二）去停用詞。去停用詞即去掉文本中對于分類無用的信息以及一些在文檔中頻繁出現(xiàn)的字和詞，如“的”、“地”、“得”等之類的助詞。

（三）特征提取。目前通常采用向量空間模型來描述文本向量，在文本的向量空間模型表示方法中，如果直接采用分詞算法得到的特征項來表示文本向量中的各個維，那么這個向量的維度將非常大，從而導(dǎo)致計算量太大，無法應(yīng)用于生產(chǎn)環(huán)境。因此，在保證或提高性能的前提下，需要降低向量空間的維度，本文使用在信息檢索領(lǐng)域廣泛使用的常用TF-IDF算法進(jìn)行關(guān)鍵詞提取，降低向量空間維度，該算法簡單快速，能應(yīng)用于實際生產(chǎn)環(huán)境。

（四）內(nèi)容相似度計算。對于圖書資源，在經(jīng)過分詞、去停用詞、特征選擇、特征加權(quán)等處理步驟后，可得到一組高頻關(guān)鍵詞及其各自出現(xiàn)次數(shù)的數(shù)據(jù)，進(jìn)而可得到待比較的資源的特征向量。本文采用余弦定理計算資源內(nèi)容的相似度，余弦定理公式如下：

根據(jù)公式（1）可知，當(dāng)兩個向量夾角的余弦等于1時，表示這兩個資源完全相同；當(dāng)夾角的余弦接近于1時，表示這兩個資源相似，從而可以歸成一類；夾角的余弦越小，表示兩個資源越不相關(guān)。

四、用戶隱式行為數(shù)據(jù)分析

用戶行為數(shù)據(jù)指用戶與圖書管理系統(tǒng)進(jìn)行交互時所產(chǎn)生的各類數(shù)據(jù)，包括借閱記錄、瀏覽記錄、檢索記錄和收藏記錄等。本文采取隱式評分機制，將用戶常見的對圖書資源的非評分行為轉(zhuǎn)化為評分行為，為之后的分析和計算做好鋪墊。

隱式行為數(shù)據(jù)則是指不需要用戶主動參與，通過間接分析用戶與系統(tǒng)的交互行為或者系統(tǒng)訪問日志來獲取用戶的各類偏好信息。例如用戶瀏覽頁面的時長，閱讀頁面的次數(shù)、訪問頁面鏈接等都屬于用戶隱式行為數(shù)據(jù)。隱式行為數(shù)據(jù)能夠客觀反映用戶當(dāng)前興趣，因此相較于顯式行為數(shù)據(jù)，隱式行為數(shù)據(jù)的內(nèi)容更加豐富。本文通過用戶對圖書資源的借閱、瀏覽、檢索、收藏四種行為進(jìn)行研究，將用戶的行為量化為用戶的興趣，實現(xiàn)隱式評分到顯式評分的轉(zhuǎn)換，最終構(gòu)建用戶圖書資源評分模型。具體步驟如下：

f）根據(jù)本系統(tǒng)情況，用戶的四種行為反映用戶對圖書資源的興趣，但興趣程度不同，本文假設(shè)用戶的借閱和瀏覽行為反映出的對圖書資源的興趣比檢索和收藏行為要高，且本文所賦予的借閱和瀏覽行為的獎勵因子相等，設(shè)為0.3，檢索和收藏行為的獎勵因子相等，設(shè)為0.2。

根據(jù)上述步驟，可以通過公式（2）量化用戶的行為，計算出用戶u對資源i的評分R。

表l展示了一種用戶行為與對應(yīng)的隱式評分值的關(guān)系表，根據(jù)這樣的關(guān)系就可構(gòu)造出用戶對圖書資源的隱式評分矩陣R=（r），矩陣中的每一項。表示第f位用戶對第，件圖書資源的隱式評分。可以發(fā)現(xiàn)，若用戶對某圖書資源的隱式評分越高，則表示他對該圖書資源的感興趣程度越大。

五、圖書資源個性化推薦

本文實現(xiàn)的圖書資源個性化推薦主要采用基于資源內(nèi)容的過濾推薦，基于用戶行為的推薦，以及二者混合推薦方式，得出最終的資源推薦列表。

（一）基于圖書資源內(nèi)容的推薦，首先根據(jù)用戶的借閱歷史資源數(shù)據(jù)的文本特征向量，構(gòu)造用戶的興趣向量，再根據(jù)圖書資源內(nèi)容的文本內(nèi)容向量與用戶興趣向量的相似度，得到用戶的基于內(nèi)容的圖書推薦列表。

（二）基于用戶隱式行為的推薦，首先為每位用戶尋找其鄰居用戶，再基于其鄰居用戶，估計用戶對未評分項目的隱式評分，并引入時間函數(shù)，把鄰居用戶在不同時間的評分給予不同的權(quán)重。

根據(jù)之前得到的隱式評分矩陣R=（Y）分析出任兩位用戶之間的相似性。與某位用戶相似性較高的其他用戶，稱為該用戶的鄰居用戶。本文采用Pearson相關(guān)系數(shù)計算用戶之間的相似性其公式為：

如果用戶還未在系統(tǒng)中產(chǎn)生任何行為數(shù)據(jù)，則可以利用用戶基本信息，尋找與其具有相似人口統(tǒng)計學(xué)特征的鄰居用戶，通過鄰居用戶估計對未評分資源的隱式評分，能較好地解決“冷啟動”問題。

（三）線性加權(quán)融合推薦，給出推薦結(jié)果列表。結(jié)合之前基于圖書資源內(nèi)容和基于用戶行為得出的圖書相似度和隱式評分等關(guān)鍵數(shù)據(jù)，擬合并產(chǎn)生它們的分?jǐn)?shù)，其公式為：

六、結(jié)果

隨著圖書館數(shù)字圖書資源的日益增加，人們尋找適合自己的數(shù)字圖書越發(fā)困難，本文采用線性加權(quán)融合模式，設(shè)計一種基于內(nèi)容過濾和用戶行為相結(jié)合的混合推薦技術(shù)的個性化圖書資源推薦系統(tǒng)，為讀者提供個性化的圖書資源推薦服務(wù)，將優(yōu)化推薦效果，提高圖書館的服務(wù)質(zhì)量和圖書使用率，同時還可以輔助圖書館管理者決策。