基于UBCF算法在圖書館個性化資源推薦中的應(yīng)用研究

聶偉 鄭冰樹

摘要：針對讀者對圖書館圖書資源無法快速獲取的問題，引入基于用戶的協(xié)同過濾算法，對圖書館歷史數(shù)據(jù)進行分析，構(gòu)建了讀者喜好度矩陣，并根據(jù)矩陣使用UBCF算法對數(shù)據(jù)建立推薦分類模型，進而獲取讀者的閱讀行為和興趣愛好，借助該算法對讀者進行有目的的推薦，提高讀者對圖書資源信息的有效獲取，實現(xiàn)圖書館個性化推薦服務(wù)。

關(guān)鍵詞：協(xié)同過濾算法；余弦相似度；圖書館；個性化推薦

中圖分類號：TP312? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）36-0022-03

開放科學（資源服務(wù)）標識碼（OSID）

0 引言

隨著人工智能技術(shù)的發(fā)展，出現(xiàn)了很多個性化推薦技術(shù)，特別是基于用戶的協(xié)同過濾（User-based Collaborative Filtering，簡稱UCBF）算法[1-2]，在很多領(lǐng)域也得到了應(yīng)用。各個高校館藏書籍資源都很多，但是當讀者進入圖書館尋找需要的、符合自身需求的圖書資源，還是需要花很多時間和精力。當前，各個高校圖書館在進行閱讀推廣的時候，大多采用海報的形式進行靜態(tài)推廣[3]。這種方式局限性較大，不能根據(jù)讀者的閱讀行為和興趣愛好進行個性化推薦。針對這種情形，文本把UCBF算法用于圖書館圖書資源的個性化推薦，幫助讀者能迅速定位到自己滿意的書籍資源，更好地滿足讀者的需求，進而促進高校圖書資源借閱量的提升。

1 UBCF算法基本原理

1.1 基于用戶的協(xié)同過濾算法

UCBF算法是常用的推薦算法之一，在個性化資源推薦領(lǐng)域應(yīng)用非常廣泛[4]。UCBF算法的基本原理是對大量的讀者歷史行為數(shù)據(jù)進行分析，找出他們之間的關(guān)聯(lián)，然后再依據(jù)這些關(guān)聯(lián)信息推薦相關(guān)的圖書給興趣度相似的讀者[5]。UCBF算法在執(zhí)行的過程中，首先必須通過對歷史數(shù)據(jù)的分析，找到和目標讀者閱讀習慣和行為相似的用戶集，接著對用戶集的讀者以興趣度為關(guān)聯(lián)進行圖書推薦[6]。

1.2 余弦相似度[7-8]

UCBF算法是通過計算兩個讀者之間的相似度來體現(xiàn)他們的關(guān)聯(lián)程度[9]，而相似度的計算采用余弦相似度。在圖書館圖書的個性化推薦中，通過計算圖書借閱數(shù)據(jù)分析出具有相似閱讀習慣的讀者，然后向具有相同閱讀習慣的讀者推薦他沒有接觸過的圖書資源。一般而言，余弦值會落在[-1，1]的范圍內(nèi)，該值越接近1就表示兩個目標之間相似度越高。余弦相似度的計算公式為：

[WUV=I（U）?I（V）I（U）||I（V）? ? ? ? ? ? ? ? ? ? ? ? （1）]

公式（1）表示目標用戶U與用戶V對圖書資源喜歡的相似度。其中，I（U）表示歷史數(shù)據(jù)中用戶U喜歡的圖書資源集合，I（V）表示歷史數(shù)據(jù)中用戶V喜歡的圖書資源。

2 UBCF算法在圖書館個性化資源推薦中的應(yīng)用

2.1 數(shù)據(jù)的抽取

為了進一步驗證UBCF算法在圖書館個性化圖書資源推薦中的有效性，本實驗從某高校圖書館借閱系統(tǒng)中抽取111 352筆圖書館各種行為的信息記錄數(shù)據(jù)進行驗證，部分數(shù)據(jù)截圖見圖1，抽取的圖書資源館藏狀態(tài)見圖2。從圖中可以看到，圖書借還比例接近1∶1，符合實驗要求。對抽取出來的圖書數(shù)據(jù)進行清洗，填充缺失值，提升數(shù)據(jù)質(zhì)量。經(jīng)過統(tǒng)計，實驗抽取的數(shù)據(jù)總共涉及55 676本不同類型的書籍，7 698名讀者。本次實驗用到的數(shù)據(jù)維度見表1。

2.2 矩陣的生成

本實驗使用R語言編寫，在實驗過程中使用第三方資源包recommenderlab來擬合個性化圖書推薦模型。為了能得到更好的、更精準的推薦模型，本文將數(shù)據(jù)整理為用戶對某個分類的喜好度，然后向用戶推薦出他可能喜好的分類[10]?；诖耍么a生成一個名為realRatingMatrix的喜好度矩陣，核心代碼見算法1。

算法1：R語言生成名為realRatingMatrix的喜好度矩陣核心代碼

stu<-levels（as.factor（sete$NAME））

userNo<-tibble（

No=seq_along（stu），

stu=stu

）

for （i in seq_along（sete$NAME）） {

sete$NAME[i]<-userNo$No[which（userNo$stu==sete$NAME[i]）]

}

sete4<-group_by（sete，NAME，CLASSNO）%>%

summarise（n=n（））

summary（sete4）

sete4$CLASSNO<-toupper（sete4$CLASSNO）

#將CLASSNO列存儲為數(shù)字，便于數(shù)據(jù)填充

for （i in seq_along（sete4$CLASSNO）） {

sete4$CLASSNO[i]<-which（type$No==sete4$CLASSNO[i]）

}

sete4$CLASSNO<-as.integer（sete4$CLASSNO）

stu<-levels（as.factor（title$NAME））

recom<-matrix（nrow=length（stu），ncol=length（sete2$type），

dimnames = list（seq_along（stu），type$No））

#將數(shù)據(jù)填充到矩陣中

for （i in seq_along（sete4$NAME）） {

recom[sete4$NAME[i]，sete4$CLASSNO[i]]<-sete4$n[i]

}

recom<-as（recom，'realRatingMatrix'）

2.3 具體應(yīng)用

有了讀者喜好度矩陣realRatingMatrix，接下來就可以利用該矩陣，使用UBCF算法通過遍歷7 698名讀者的借閱數(shù)據(jù)，并對編號為7 741的用戶推薦分類模型，核心代碼見算法2。

算法2：使用UBCF算法建立推薦分類模型，把結(jié)果存入book_user_1數(shù)據(jù)集中

recom.m <- Recommender（recom[1：7698]， method = "UBCF"）

#預(yù)測用戶編號為7741：7748的喜好分類，使用topNList算法，輸出前三個，因此n=3

recom.predict <- predict（recom.m，recom[7741：7741]，n=3）

recc_user_1 <- recom.predict@items[[1]]

book_user_1<- recom.predict@itemLabels[recc_user_1]

通過算法2已經(jīng)獲得了用戶可能喜好的分類，為了能進一步深入地使用這個預(yù)測出來的分類實現(xiàn)對用戶的個性化推薦，同時避免該模型的失真情形，本實驗中，選擇利用UBCF算法再重新擬合一個模型，結(jié)合算法2推薦出來的分類來將推薦出來的書籍進行過濾，實現(xiàn)對用戶的個性化推薦。本實驗隨機抽取記錄號為7 741的數(shù)據(jù)進行驗證，驗證代碼見算法4。按興趣度最高的20本進行排序，核心代碼見算法3。

算法3：重新擬合并推薦前20本最喜歡的書籍，把結(jié)果存入book_user_2中

book<-levels（as.factor（sete$TITLE））

bookNo<-tibble（

No=seq_along（book），

book=book

）

for （i in seq_along（sete$TITLE）） {

sete$TITLE[i]<-bookNo$No[which（bookNo$book==sete$TITLE[i]）]

}

sete$TITLE<-as.integer（sete$TITLE）

recom.book<-matrix（data=0，nrow=length（stu），ncol=length（bookNo$book），

dimnames = list（1：7698，bookNo$book））

for （i in seq_along（sete$TITLE）） {

recom.book[sete$NAME[i]，sete$TITLE[i]]<-1

}

#0-1二元矩陣：binaryRatingMatrix

recom.book<-as（recom.book，'binaryRatingMatrix'）

recom.book.m<-Recommender（recom.book[1：7698]，method="UBCF"）

recommend.UBCF <- predict（recom.book.m，recom.book[7741：7741] ， n = 20）

recc_user_2 <- recommend.IBCF@items[[1]]

book_user_2 <- recommend.IBCF@itemLabels[recc_user_2]

查看算法3的結(jié)果，如圖3所示。

從圖3的結(jié)果可以看到，使用UCBF算法重新擬合的推薦模型能很好地進行推薦。

3 總結(jié)

本文嘗試將UBCF算法用于圖書館個性化圖書資源推薦服務(wù)中，利用圖書館存在歷史數(shù)據(jù)，借助UBCF算法對數(shù)據(jù)進行分析，找出讀者間潛在的相似的閱讀行為和閱讀愛好，對其進行圖書資源的個性化推薦，提高讀者對目標圖書信息的獲取。實驗結(jié)果表明，UBCF算法對提升圖書館的個性化推薦服務(wù)有很好的效果。

參考文獻：

[1] 趙雨帆，郭夢潔.基于協(xié)同過濾算法的志愿者服務(wù)平臺的實現(xiàn)[J].河南科技，2021，40（11）：14-16.

[2] 鄭思霞，閉應(yīng)洲，潘懷奇，等.一種基于用戶的協(xié)同過濾與人氣排行榜的融合推薦算法[J].南寧師范大學學報（自然科學版），2020，37（1）：63-68.

[3] 張盼盼，劉凱凱.基于協(xié)同過濾算法的圖書推薦系統(tǒng)設(shè)計與實現(xiàn)[J].計算機時代，2023（8）：144-146.

[4] 石弘利，王從瑜，謝維奇.基于協(xié)同過濾算法的教育平臺課程推薦的研究[J].電腦知識與技術(shù)，2021，17（34）：19-22.

[5] 張雙慶.一種基于用戶的協(xié)同過濾推薦算法[J].電腦知識與技術(shù)，2019，15（1）：19-21.

[6] 凌坤，姜久雷，李盛慶.基于改進用戶畫像的協(xié)同過濾推薦算法[J].計算機仿真，2022，39（12）：533-541.

[7] 廖天星，王玲.融合項目標簽相似性的協(xié)同過濾推薦算法[J].計算機應(yīng)用，2018，38（4）：1007-1011，1022.

[8] 馬建強，徐太星.協(xié)同過濾算法下公共計算機慕課資源推薦系統(tǒng)[J].現(xiàn)代電子技術(shù)，2022，45（23）：177-181.

[9] 董躍華，朱純煜.基于改進用戶屬性評分的協(xié)同過濾算法[J].計算機工程與設(shè)計，2020，41（2）：425-431.

[10] 劉姜.基于大數(shù)據(jù)的用戶畫像構(gòu)建方法與運用探究[J].科技創(chuàng)新與應(yīng)用，2022，12（9）：139-142.

【通聯(lián)編輯：謝媛媛】