基于UBCF算法在圖書館個性化資源推薦中的應用研究

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，引入基于用戶的協同過濾算法，對圖書館歷史數據進行分析，構建了讀者喜好度矩陣，并根據矩陣使用UBCF算法對數據建立推薦分類模型，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，實現圖書館個性化推薦服務。

關鍵詞：協同過濾算法；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）標識碼（OSID）

0 引言

隨著人工智能技術的發展，出現了很多個性化推薦技術，特別是基于用戶的協同過濾（User-based Collaborative Filtering，簡稱UCBF）算法[1-2]，在很多領域也得到了應用。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推廣[3]。這種方式局限性較大，不能根據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域應用非常廣泛[4]。UCBF算法的基本原理是對大量的讀者歷史行為數據進行分析，找出他們之間的關聯，然后再依據這些關聯信息推薦相關的圖書給興趣度相似的讀者[5]。UCBF算法在執行的過程中，首先必須通過對歷史數據的分析，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聯進行圖書推薦[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他們的關聯程度[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據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，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）表示歷史數據中用戶U喜歡的圖書資源集合，I（V）表示歷史數據中用戶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用

2.1 數據的抽取

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中抽取111 352筆圖書館各種行為的信息記錄數據進行驗證，部分數據截圖見圖1，抽取的圖書資源館藏狀態見圖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據進行清洗，填充缺失值，提升數據質量。經過統計，實驗抽取的數據總共涉及55 676本不同類型的書籍，7 698名讀者。本次實驗用到的數據維度見表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，本文將數據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]。基于此，用代碼生成一個名為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列存儲為數字，便于數據填充

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））

#將數據填充到矩陣中

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名讀者的借閱數據，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，把結果存入book_user_1數據集中

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

#預測用戶編號為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測出來的分類實現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，實現對用戶的個性化推薦。本實驗隨機抽取記錄號為7 741的數據進行驗證，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的結果，如圖3所示。

從圖3的結果可以看到，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

本文嘗試將UBCF算法用于圖書館個性化圖書資源推薦服務中，利用圖書館存在歷史數據，借助UBCF算法對數據進行分析，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。實驗結果表明，UBCF算法對提升圖書館的個性化推薦服務有很好的效果。

參考文獻：

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

[2] 鄭思霞，閉應洲，潘懷奇，等.一種基于用戶的協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.基于協同過濾算法的圖書推薦系統設計與實現[J].計算機時代，2023（8）：144-146.

[4] 石弘利，王從瑜，謝維奇.基于協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，2021，17（34）：19-22.

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

[6] 凌坤，姜久雷，李盛慶.基于改進用戶畫像的協同過濾推薦算法[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同過濾推薦算法[J].計算機應用，2018，38（4）：1007-1011，1022.

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

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

[10] 劉姜.基于大數據的用戶畫像構建方法與運用探究[J].科技創新與應用，2022，12（9）：139-142.

【通聯編輯：謝媛媛】