融合讀者、相似度和位置信息的圖書推薦系統模型研究＊

郭苗苗，吳了，郭晨睿

融合讀者、相似度和位置信息的圖書推薦系統模型研究＊

郭苗苗1，吳了1，郭晨睿2

（1.長沙學院，湖南 長沙 410022；2.洛陽師范學院，河南 洛陽 471934）

“新書推薦”“借閱排行榜”等圖書推薦簡單地將特定書目推薦給所有讀者，忽略了讀者之間的個體差異性。個性化圖書推薦采用大數據和數據挖掘技術，預測讀者的借閱行為，有針對性地向讀者推薦圖書，實現個性化服務。開發個性化圖書推薦系統需要對影響圖書推薦的各種因素進行數學建模。在現有技術的基礎上，結合圖書館的應用背景，提出了一種融合讀者、相似度和位置信息的圖書推薦系統模型，該模型的建立有助于新一代圖書推薦系統的開發。

圖書推薦；系統模型；讀者；位置信息

圖書館作為高校教學、科研的知識資源提供者，是在校大學生和教學科研人員獲取知識的主要途徑。但大多圖書管理系統（ILAS、金盤等）一般不具備圖書推薦功能，導致讀者在面對海量信息資源時，如果采用傳統的圖書查找方法很難精準找到所需的圖書；另一方面，當圖書館在新采購一批圖書或數字資源后，感興趣的讀者并不能及時獲取這一方面的信息，在一定程度上造成了圖書資源的浪費。因此，圖書館需要綜合考慮讀者特性，利用數據挖掘技術，通過收集和分析讀者的借閱習慣、喜好等信息，獲取讀者的閱讀偏好，精準地向讀者推薦圖書，實現個性化推薦，提高圖書的借閱率。個性化圖書推薦系統結構如圖1所示。

圖1 個性化圖書推薦系統結構框圖

在進行個性化圖書推薦時，需要在讀者基本數據和后臺知識的基礎上建立讀者模型，然后根據匹配規則對讀者模型和圖書館的館藏圖書進行匹配，利用數據挖掘技術形成個性化推薦結果。由圖1可以看出，在個性化圖書推薦系統中，建立讀者模型對推薦結果有較大的影響，因此，模型的建立至關重要。

1 常見的圖書推薦算法

模型的建立離不開圖書推薦算法。目前主要的圖書推薦算法有：①基于內容的推薦算法，即根據讀者過去的借閱習慣，為讀者推薦與他過去借閱的圖書內容相似的圖書；②基于關聯規則的推薦算法，即同一個讀者借閱的不同圖書可認為之間存在著某種關聯，可以從借閱歷史中搜索關聯度最高的圖書（圖書集合）作為推薦的主要參考；③基于協同過濾的算法，即通過尋找當前讀者借閱行為最相似的鄰近讀者，推薦鄰近讀者借閱的圖書給當前讀者[1-4]。

協同過濾算法是個性化推薦中較成熟的推薦算法之一。協同推薦算法一般分為基于用戶的協同過濾推薦、基于模型的協同過濾推薦和基于項目的協同過濾推薦[5]，其中“以用戶為中心”的基于用戶的協同過濾算法在推薦系統中獲得了廣泛的應用。傳統的基于用戶的協同過濾算法將兩個用戶之間的影響當作對稱的影響，也就是說對于任意的兩個讀者，彼此的影響是相當量的。然而，在現實借閱中這種影響并不一定當量對稱，例如教師可能會對新生讀者產生較大的影響，但是新生讀者對教師的影響卻較小。因此，傳統協同過濾算法還有改進空間。

協同過濾的另一個好處是可以通過聚合類似讀者的行為來發現讀者的隱含偏好[6]。假設有個讀者和本圖書，讀者集合可以表示為={1，2，…，m}，圖書集合可以表示為={1，2，…，n}，ij=1為讀者i借閱過圖書j，否則ij=0，則在推薦系統中，讀者對圖書的歷史借閱數據就構成讀者圖書借閱矩陣∈mn。這樣計算任意兩位讀者之間的相似性，就可以采用余弦相似度、Jacarrd相似度和Pearson相似度等方法。在上述3種方法中，當數據僅僅為0或1時，余弦相似度計算效果最佳。采用余弦相似度來計算讀者之間的相似度，讀者i與讀者k之間的相似度ki計算如公式為：

傳統的基于用戶（讀者）的協同過濾算法計算讀者i對圖書j借閱的概率為：

圖書館的藏書數量很大，一個普通高校的藏書就有上百萬冊，由于學科分布廣泛，大量跨專業、跨學科以及新型學科和邊緣學科圖書的存在，造成傳統的圖書推薦系統模型的數據稀疏，降低了推薦質量。因此，本文綜合考慮讀者、相似度和位置信息，提出了一種改進的基于協同過濾算法的圖書推薦系統模型。

2 融合讀者、相似度和位置信息的圖書推薦模型

要想提高推薦的準確性，使得推薦的書目盡可能地滿足讀者的借閱傾向，不僅僅要考慮讀者的借閱歷史，還要考慮讀者的興趣愛好等個體信息，本文在前人已有工作的基礎上，給出一種融合讀者、相似度和位置信息的圖書推薦[7]。使用一種改進的基于讀者的協同過濾算法——讀者影響模型考慮并計算兩個讀者間的非對稱影響，利用PageRank算法生成讀者的全局影響因子；考慮讀者間的專業和興趣愛好等的相似度；利用圖書、閱覽桌等的位置信息，挖掘讀者的實際借閱的位置特征，生成位置模型；將改進的讀者影響、相似度影響和位置影響綜合以建立圖書推薦模型。

融合讀者、相似度和位置信息的圖書推薦系統結構如圖2所示。

圖2 融合讀者、相似度和位置信息的圖書推薦系統結構示意圖

圖2中最左邊虛線框中的內容為每位讀者錄入的數據來源，包括一卡通、教務系統、圖書管理系統的數據庫等，反映了讀者的專業、就業創業傾向、個人喜好、借閱歷史等信息。第二個虛線框對讀者間的非對稱影響、相似度、借閱歷史（閱覽歷史）的位置信息信息等進行分析，以提高圖書推薦的精準度。

2.1 非對稱讀者影響分析

給定讀者和圖書的借閱關系矩陣：

=[ul]mn（2）

式（2）中：矩陣的第行、第列的ul為讀者對圖書的借閱次數（含續借）；為讀者的人數；為圖書的數量。因為讀者借閱圖書的時長有限，當讀者往往不能在一次借閱時間內完成圖書的閱讀與理解，會存在續借行為，在這里，圖書的逾期未還行為視為一次續借。借閱（續借）次數越高，表明讀者越喜歡圖書，如果讀者沒有借閱過圖書，則ul的值設置為0。

式（3）中：u為讀者借閱過的圖書的數量。

根據計算公式獲得的布爾矩陣′構建非對稱讀者影響矩陣：

=[uv]mn（4）

式（4）中：uv為讀者對讀者的影響因子。

傳統的基于讀者的協同過濾算法中的讀者關系矩陣是對稱的，而本文中的讀者影響矩陣是不對稱的。

假設讀者可以影響的其他讀者越多，則讀者在圖書推薦系統中讀者的全局重要性越高；如果有多個讀者可以對讀者產生影響，則讀者更容易受到讀者全局重要性越高的讀者的影響。

式（5）（6）中：（）為一個函數，如果＞0，則（）=1；否則（）=0。

使用隨機生成的值來初始化讀者的PageRank值，并使用迭代模型得到最終的每位讀者PageRank值。在每次迭代中，PageRank的值計算方法為：

式（7）中：∈[0，1]為阻尼系數，表示其他讀者對讀者的貢獻的縮放因子；（）為可以影響讀者的所有讀者的集合。

在式（7）中，影響更多其他讀者的讀者，并受到更少其他讀者影響的讀者擁有更小的PageRank值，即具有越小PageRank值的讀者越重要。

式（8）中：vu為讀者對讀者的影響值。

2.2 讀者相似性的影響分析

讀者的借閱行為可能會受到有其他讀者的影響，例如共同考研、找工作的讀者等。本模型使用專業、共同興趣愛好、考研和創業就業傾向等來計算讀者間的相似性?？梢圆捎胹igmoid函數將擁有相似專業、共同興趣愛好或創業就業傾向轉換為規范的相似性。同時，使用Jaccard相似度描述每對讀者之間的相似性。然后使用超參數來平衡上述兩種相似性。使用u表示與讀者有關系的讀者集，（，）表示讀者和讀者之間的相似度。讀者∈u，則讀者與讀者之間的相似性定義如下：

式（9）中：（，）為讀者和讀者之間的相似性；超參數∈[0，1]?；谏鲜鲎x者之間的相似性，可以通過傳統的基于讀者的協同過濾算法預測讀者借閱其未借閱過的圖書的概率，計算公式為：

2.3 圖書位置信息的影響分析

在圖書館讀者更愿意借閱自己附近的感興趣的圖書。因此，為了將讀者實時位置信息融入到圖書推薦系統中，本文使用冪律分布來模擬讀者從借閱一本圖書到借閱同一個書庫（書架）的另一本圖書的距離函數作為讀者可能借閱的概率，公式為：

式（11）中：（l）為讀者借閱不同于l的書架（書庫）的圖書的意愿；l為兩本圖書的距離；和為冪律函數的參數。

使用最大似然估計來計算兩個參數和。具體方法是：在式（11）的兩邊取對數，即ln[（l）]=ln（）+ln（l）。通過最小二乘法獲得上的ln（l）線性函數。從而得到式（11）中的兩個參數和。

假設：讀者在借閱圖書i，圖書j是他將要借閱的候選圖書，圖書i與圖書j之間的距離為l（i，j）。對讀者的借閱概率進行建模，讀者借閱圖書j的概率與讀者借閱在距離l（i，j）處的圖書的意愿（l）成比例。

計算概率的公式為：

隨著兩本圖書之間距離的增加，讀者借閱的概率隨之降低，表明讀者不太可能借閱距離較遠的圖書。

2.4 圖書推薦模型建立

根據預測的借閱概率，可得到相應的分數，計算公式為：

式（13）（14）（15）中：為所有圖書集合；u為讀者借閱過的圖書集合。

在對讀者進行圖書推薦時，可以根據ij的值，向讀者推薦可能感興趣圖書，不同于單單基于讀者和單單基于內容的圖書推薦系統，本文模型綜合考慮了讀者借閱歷史、讀者之間的相似性以及讀者借閱產生的實時位置信息等，以向讀者推薦其可能更加感興趣的圖書。

3 結束語

在海量的圖書中，形成對讀者的個性化推薦，需要綜合考慮多種因素的影響，降低數據的稀疏性，本文綜合考慮讀者、相似度、位置信息等，提出了一種個性化圖書推薦模型，提高推薦的準確度。圖書館館員可以根據模型的推薦結果對藏書進行排架、倒架、下架等操作，為讀者提供更好的服務，提高圖書的利用率。

［1］黃立威，江碧濤，呂守業，等.基于深度學習的推薦系統研究綜述［J］.計算機學報，2018，41（7）：1619-1647.

［2］孫魯平，張麗君，汪平.網上個性化推薦研究述評與展望［J］.外國經濟與管理，2016，38（6）：82-99.

［3］冷亞軍，陸青，梁昌勇.協同過濾推薦技術綜述［J］.模式識別與人工智能，2014，27（8）：720-734.

［4］李默，梁永全.基于標簽和關聯規則挖掘的圖書組合推薦系統模型研究［J］.計算機應用研究，2014，31（8）：2390-2393.

［5］郭淑紅，劉釗，徐玉梅.基于用戶特征的高校圖書館個性化圖書推薦研究［J］.無線互聯科技，2017（4）：115-116.

［6］田磊，任國恒，王偉.基于聚類優化的協同過濾個性化圖書推薦［J］.圖書館學研究，2017（8）：75-80.

［7］郭晨睿，李平.基于社交和地理信息的興趣點推薦［J/OL］.計算機工程與應用［2019-08-19］.http://kns.cnki.net/ kcms/detail/11.2127.TP.20190705.1724.034.html.

TP391.3

A

10.15913/j.cnki.kjycx.2019.18.016

2095－6835（2019）18－0041－04

長沙學院人才引進項目和湖南省自然科學基金（編號：2019JJ50691）

郭苗苗（1987—），女，主要研究方向為圖書館現代化。吳了（1986—），男，主要研究方向為人工智能。郭晨睿（1992—），男，主要研究方向為數據挖掘。

〔編輯：張思楠〕