基于LFM的圖書推薦服務研究

隨著信息爆炸時代的來臨以及網絡上大數據的不斷增長，用戶越來越難以將那些真正有價值的信息從無數無用的信息中篩選出來，越來越難以找到自己真正所需要的真正信息。因此，便產生了“信息過載”的問題。圖書領域也面臨著相同的問題，各大高校圖書館的紙質資源和電子資源，都不斷以指數形式增長，在數以萬計的圖書面前找到自己喜歡和合適的圖書，對于讀者變得越來越困難。目前絕大多數高校圖書館都提供了圖書檢索功能，但是只能根據讀者輸入的關鍵字做簡單排序檢索，不能提供深層次的推薦功能，其效率低下、方式單一，無法提高服務的主動性，更無法提高圖書的利用率[1]。因此，個性化圖書推薦系統應運而生，它可以快速推薦合適的圖書給讀者，提高圖書館主動服務的效率，增加讀者與圖書館之間的黏性。

1 研究現狀

高校圖書館是高校的樞紐和心臟，是傳播知識和文化的中心，是廣大師生學習和科研的陣地。傳統的圖書館都是以紙質資源為基礎，隨著大數據時代的來臨，現在的高校圖書館越來越重視數字化資源的建設，也在不斷更新服務模式，變被動服務為主動服務。讀者來圖書館閱讀，往往通過檢索機來查詢自己所要尋找的相應圖書，但是這種方式太過單一和局限。許多讀者并不知道自己所需要和感興趣的圖書，在數以萬計的圖書面前，往往無所適從。因此，個性化圖書推薦服務應運而生。對于個性化圖書推薦的研究，國內外的學者大多選擇基于協同過濾的推薦、基于聚類的推薦、基于關聯規則的推薦、基于數據挖掘的推薦以及混合推薦等[2]。除此以外，也有其他一些技術被用于圖書推薦服務中，例如，基于Spark 的高校圖書館書目推薦系統、高校智慧圖書館智能推薦系統、基于標簽的高校圖書館個性化推薦系統等。

2 協同過濾技術

2.1 概述

協同過濾算法是根據其他用戶對物品的評分，從而產生對目標用戶的推薦列表[3]。該算法主要是從用戶的已知數據中出發，尋找目標用戶的相似用戶，然后從這些相似用戶中，預測出當前用戶對目標項目可能的評分。協同過濾主要依據用戶對物品的歷史評分來產生預測，在協同過濾算法中，最重要的就是計算目標與周圍鄰居之間的距離，找到目標的相似鄰居進行排序，在排序列表中產生推薦。所以，相似度計算的準確性直接關系著推薦系統的效果。協同過濾技術因其高效、操作性強和準確率高等優點，正逐步成為廣受歡迎的一種推薦技術。協同過濾常用推薦算法包括：基于用戶的協同過濾，基于項目的協同過濾，基于模型的協同過濾。基于用戶的協同過濾是利用用戶對于物品評分的數據，根據不同用戶對相同物品的評分，計算用戶之間的相似度，對有相同偏好的用戶進行物品推薦；基于項目的協同過濾是通過用戶對不同物品的評分，計算物品之間的相似度，根據用戶的歷史記錄，推薦給用戶之前喜歡物品的相似物品。一般來說，基于用戶和項目的協同過濾在數據信息簡單以及數據內容完整的情況下，能夠較好地完成快速準確的推薦；如果出現數據信息復雜并且存在許多數據缺失的情況，則不能很好地應對。而基于模型的協同過濾能夠更好地解決大數據量情況下的數據稀疏性問題。

2.2 基于模型的協同過濾

與基于用戶和項目的推薦方法不同的是，基于模型的協同過濾是使用用戶的歷史評分數據來學習預測模型，通過機器學習方法先建立一個推薦模型，然后通過訓練數據來對完成對未評分項目的計算預測，并將預測值的前幾項推薦給用戶。模型的建立可以通過離線模式完成，當用戶上線時能夠產生實時推薦，這樣提高了系統的響應度并增加了與用戶之間的黏合度。同時，在用戶評分矩陣稀疏的情況下，使用基于模型的推薦方法可以很好的計算用戶未評分項目，填充稀疏項，增加了預測的精度。常用模型包括：聚類模型、貝葉斯模型、隱語義模型、圖模型等。下面重點介紹本文用到的隱語義模型。

3 隱語義模型

3.1 LFM 概述

隱語義模型[4]（Latent Factor Model，LFM)是屬于機器學習算法的一種，其中包含了隱藏因子，相當于神經網絡的隱藏層。從數據的方向，用戶與物品之間通過中間隱含因子進行聯系，從而更好地挖掘出用戶特征，解決用戶物品特征向量中的稀疏性問題，推薦系統和文本分類里面會經常用到此模型。

3.2 LFM 原理

LFM 原理矩陣表示如圖1 所示：

圖1 LFM矩陣表示圖

其中矩陣R 表示用戶對物品的興趣度，矩陣P表示用戶對物品類別的偏好度，矩陣Q 表示物品屬于哪個類別的概率。

隱語義模型就是通過將矩陣R 分解成P 和Q的乘積，通過P 矩陣物品類別將用戶User 與物品Item 聯系起來。從而得出用戶對物品評分的公式：

其中公式（1）中，PU,K 和QK,I 是該模型的參數，Pu,k 代表用戶U 的興趣與第K 個隱含因子的關系，QK,I 表示第K 個隱含因子與物品I 之間的關系。

通過公式（2），采用最優化損失函數C 來求解P 和Q，得到最合適的P 和Q。

其中，λ||PU||2+λ||QI||2是用來防止過擬合的正則化項，λ 是需要根據模型算法訓練數據反復實驗得到。

4 圖書推薦的實現

4.1 推薦方法

從圖書館借閱管理系統導出近一年的用戶借閱歷史記錄，將數據進行預處理，用聚類方式先將同一專業的用戶分在同一類里；然后對于每個類別，通過隱語義模型預測用戶未評分圖書的得分，將TOP-N 項推薦給用戶。

4.2 建立模型

首先，建立用戶對于圖書的評分矩陣，其中，U={u1，u2，…，um}為用戶向量，I={i1，i2，…，in}為圖書向量，R 用來表示用戶對圖書的評分矩陣。利用公式（1）中的矩陣分解將矩陣R 分解為矩陣P 和Q，即R=P*Q。初始化用戶對每個圖書類別的偏好為矩陣P，每個圖書所屬圖書類別為矩陣Q；將用戶數據集進行訓練，通過梯度下降算法，根據公式（2），不斷更新矩陣P 和Q，以至損失函數達到最小，得出P 和Q，從而建立模型（LFM)，用來預測矩陣R中的缺失值rui，即是用戶對未評分圖書的興趣度。

4.3 推薦結果

隨機抽取一名ID 為100 的用戶，對沒有評分過的圖書通過建立好的模型進行興趣度預測，選取興趣度前5 位的圖書推薦給該用戶。結果如下：

圖2

查詢借閱歷史，發現該用戶看過機器學習的圖書并且評分很高，故從推薦結果來看，興趣度靠前的索書號都是跟機器學習和數據分析相關的圖書。

5 結語

在如今信息不斷增加和冗余的時代里，推薦系統已經成為如今信息時代人們獲取關鍵信息的重要手段，可以幫助人們獲取到真正感興趣和有用的信息。本文采用協同過濾推薦技術的方法，提出了基于隱語義模型的推薦，選取了圖書館近一年的借閱歷史記錄，經過數據預處理，建立模型，通過計算預測用戶對于圖書的興趣度來推薦給用戶未評分過的圖書，改善了用戶評分的稀疏性問題，提高了推薦系統精度，方便用戶更加快捷地找到合適的圖書。