圖書館圖書推薦算法的研究

丁嵐

摘要：圖書館數字化研究對于提高圖書館的服務質量有著非常重要的意義。本文從圖書推薦入手，介紹了協同過濾算法可以分為基于模型的協同過濾算法和基于記憶的協同過濾算法，著重介紹了基于記憶的協同過濾算法中的基于項目的協同過濾算法，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。

關鍵詞：圖書推薦 協同過濾 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

數字圖書館逐漸向自動化、智能化、個性化發展。數據資源豐富，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，由此向學生或者老師推薦相關的圖書，圖書推薦的方式有很多方法，例如基于內容的推薦、基于關聯規則的推薦和基于協同過濾的推薦等。

協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，然后輸出推薦的結果。

2 協同過濾算法的分類

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

基于模型算法的主要思想是根據機器學習或者統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、聚類技術、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。

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

3 基于項目的協同過濾算法

基于用戶的協同過濾推薦算法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同過濾算法[351。其基本原理用戶對項目進行喜好評分，根據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相關系數法 （Pearson Correlation Coefficient）、余弦相似度法 （Cosine Similarity）和調整余弦相似度法（Adjustment Cosine Similarity）。例如：Pearson相關系數：計算兩個項目之間的線性關系，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在已經評價過的項目上的平均分，是用戶v在已經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數據集，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 結語

闡述了協同過濾推薦算法的相關理論，重點介紹基于項目的協同過濾算法，算法的步驟可以分為項目之間相似度的計算、尋找相似鄰和產生推薦三個方面。實驗結果表明，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設計[J].情報探索，2014，1（195）：115-118.