基于個性化的協同過濾圖書推薦算法研究

黃瑛+楊維偉

摘要：近年來，隨著國家對教育的重視，圖書館圖書呈線性增長，借閱者很難從海量的圖書資源中選取有用的信息。基于個性化的協同過濾推薦算法有效地解決了這個問題，為了提高推薦的準確度，引入相似度影響因子，充分考慮不同因素對推薦結果影響力的大小。

關鍵詞：推薦系統；系統過濾；用戶相似性；影響因子

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2016）28-0088-02

1 背景

協同過濾算法給我們的生活帶來了極大的便利，特別是當我們在網上購物時，網站總是能推送我們需要的商品，簡化了購物過程，方便了我們的生活。協同過濾算法可以根據用戶偏好和其他特征為用戶推薦相似物品，面對海量的圖書館圖書資源，如果可以將協同推薦算法用于圖書館圖書推薦，將能極大地方便學生的學習生活。

2 相關工作

以前圖書館推薦算法直接依據圖書評分數據，按評分高低向用戶進行推薦，沒有考慮到用戶的偏好和需求。隨著技術的發展，圖書推薦算法也得到了改進，目前常用的圖書館推薦算法大致分為三種：

1）基于內容的推薦算法：該算法的基本思想是根據用戶的借閱歷史記錄，分析借閱書籍，提取用戶標簽數據，然后將用戶標簽和圖書標簽進行匹配，觀察匹配程度，選取前N本圖書，生成圖書推薦列表。

2）協同過濾推薦算法：該算法在基于內容的推薦算法上進一步改進，加入相似度概念，考慮有著相似興趣愛好的讀者對用戶的影響。我們需要計算用戶相似度，找到與該用戶最相似的top-N用戶，然后分析用戶對這些相似用戶已借閱讀書的感興趣程度，得到圖書推薦列表。目前有三種常用方法用于計算用戶之間的關聯度。

歐幾里得距離法：將用戶對讀書的評分轉換成向量的形式，由此我們得到一個n維的評分向量，利用歐幾里得公式計算兩個向量之間的距離，距離值越小相似度越高，歐氏公式為：

余弦相似性：將用戶評分看成一個n維的向量，利用余弦公式計算兩個用戶向量夾角余弦值，值越大兩個用戶就越相似，余弦公式為：

相關相似性：利用Pearson相關系數計算兩個讀者之間的相似程度。

3）基于用戶個性化協同過濾推薦算法：根據高校的實際情況和需求，應運而生了一種基于用戶背景的個性化推薦方法。一般情況下，用戶多會借閱本專業的相關書籍，所以在進行推薦的過程中可以重點考慮相關專業同學的借閱記錄，將他們借閱過的書籍進行重點推薦。

3 基于個性化的協同過濾推薦算法

3.1 圖書初始評分

每天圖書館會有大量的新書上線，這些新書由于之前沒有人借閱，需要為這些圖書人為的劃分類別和設置評分初值，根據《中圖法》可以將圖書劃分成不同的22個大類。

3.2 計算用戶對每一類別圖書的偏好

根據用戶的借閱歷史和歷史評分，結合之前的圖書分類數據，計算用戶對一類書籍的總評分。用戶借閱不同類別書籍的數量不同，可以反映用戶對某類書籍的喜愛程度，為此我們為用戶已評價類別賦予不同的權重值：。為某類別圖書借閱統計次數，為所有借閱圖書的總次數。由此我們可以計算出用戶對該類圖書的評分，評分公式為：

表示讀者a對類別書籍的評分，i屬于類別的圖書，是用戶對類別圖書的總評分。

3.3 根據用戶偏好，計算用戶相似度

上一步我們得到了用戶對圖書類別的評分，根據這個評分，使用皮爾遜相關系數算法計算用戶之間的相似度，找出用戶的近鄰集合U。皮爾遜相關性公式為：

M為用戶a和b的共同評分項，和分別為用戶a和用戶b的平均評分，利用圖書類別計算用戶間的相似度可以大大減少計算量。根據上式我們得到用戶之間的相似度，依據相似度大小進行排序，選取前N個用戶作為用戶a的鄰居集合U。

3.4 預測用戶對其他書籍的評分產生推薦

我們根據用戶的近鄰集U可以產生圖書推薦列表，為了使推薦列表更準確，我們引入讀者相似度的影響因子?？紤]到實際情況，影響因子的主要有用戶專業、職位和以往評分準確度這三個方面。

1）專業：

眾所周知，相同專業的學生對書的需求是相似的，所有相同專業學生的借閱書籍對推薦影響較大（），影響因子表達式如下：

2）職位

學校內老師、研究生和大學生是借書的主力軍。不同職位的人對圖書好壞的判讀力是不同的，因此老師對圖書推薦的推薦影響力應該最大。下表中的，，呈現逐漸遞減關系：

3）歷史評分準確度

不同用戶有不同的評分習慣，對圖書評分的標準不同，為了確保推薦的準確度，我們引入第三個影響因子。如果用戶評分越接近平均分則用戶評分越準確，影響因子也就越大，影響因子計算公式為：

其中S為用戶評分圖書集，為用戶對圖書i的評分，為圖書的平均評分，max和min分別為圖書i獲得評分的最大值和最小值。

綜上所述，用戶的綜合評分影響因子表達式為：

用戶對某本圖書的預測評分公式為：

n為屬于U集合的用戶數量，和分別為用戶a和用戶b的平均評分，為用戶b對j圖書的評分。

由用戶對某本圖書的預測評分公式，我們得到用戶對推薦列表內每本圖書的預測評分，根據實際情況，我們選擇前N本圖書進行推薦。

4 結束語

隨著科技的發展，推薦系統在我國得到廣泛使用，圖書推薦系統也逐漸進入學生的學習生活。根據高校的實際情況，我們提出了一種改進的圖書推薦系統，引入影響因子概念，提高推薦準確度。使學生在面對海量的數據時可用更方便地找到符合自己的學習資源。

參考文獻：

[1] 劉建國， 周濤， 汪秉宏. 個性化推薦系統的研究進展[J]. 自然科學研究進展， 2009， 19（1）： 1-15.

[2] 張怡文， 岳麗華， 張義飛. 基于共同用戶和相似標簽的好友推薦方法[J]. 計算機應用， 2013， 33（8）； 2273-2275.

[3] 呂果， 李法運. 基于改進協同過濾的移動個性化推薦服務研究[J]. 情報探索， 2014（20）： 101-105.

[4] 楊濤， 曹樹金. 圖書館用戶的個性化服務需求實證研究[J]. 大學圖書館學報， 2011（2）： 76-85.

[5] 許文青， 林雙平. 融合熱門度因子基于標簽的個性化圖書推薦算法[J]. 圖書情報研究，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.