基于多算法協(xié)同的混合圖書推薦系統(tǒng)研究

摘要：為解決傳統(tǒng)圖書推薦系統(tǒng)面臨的冷啟動、社交互動不足、推薦單一等問題，文章設計了一款多算法協(xié)同的混合圖書推薦系統(tǒng)。該系統(tǒng)在傳統(tǒng)協(xié)同過濾的基礎上引入社交網絡和FunkSVD矩陣分解，綜合考慮用戶相似度、時間衰減因子等多重因素，實現(xiàn)了針對不同場景的多元化圖書推薦服務。同時，為滿足用戶自主獲取推薦信息的需求，引入通義千問大模型，利用其自然語言處理和深度學習能力生成推薦，結合提示工程進行優(yōu)化，從而為用戶提供更精準、智能的查詢推薦結果。

關鍵詞：圖書推薦系統(tǒng)；協(xié)同過濾；矩陣分解；社交網絡；提示工程

中圖分類號：TP311.5 文獻標志碼：A

0 引言

隨著《全民閱讀“十三五”時期發(fā)展規(guī)劃》的發(fā)布，全民閱讀活動已上升至國家戰(zhàn)略高度，閱讀需求日益高漲，但傳統(tǒng)圖書推薦機制仍存在一定的局限性。一方面，在新用戶或新書籍加入時，傳統(tǒng)機制難以迅速提供精準有效的推薦［1］；另一方面，推薦機制往往局限于熱門書籍或特定類型，缺乏讀者之間的交流與分享，難以滿足讀者日益多元化、個性化的閱讀需求。針對上述問題，構建一個更加多元化、智能化的圖書推薦系統(tǒng)，全面優(yōu)化傳統(tǒng)推薦機制顯得尤為重要。本文將傳統(tǒng)協(xié)同過濾算法與矩陣分解、社交網絡等相結合，利用多算法組合優(yōu)勢，從不同角度深入挖掘用戶的閱讀偏好與情感需求，有效解決了傳統(tǒng)推薦機制面臨的社交互動不足、推薦單一和冷啟動問題。同時，為滿足用戶在海量信息中高效獲取推薦的需求，本文引入通義千問大模型，結合提示工程進一步優(yōu)化，有效解決了用戶在圖書推薦過程中的信息過載和選擇困難問題。

1 推薦系統(tǒng)設計與構建

本系統(tǒng)由Web用戶端、Android用戶手機端、PC管理端、數(shù)據(jù)庫及服務器等核心組件構成，各組件間通過HTTP協(xié)議實現(xiàn)高效協(xié)同。其中，前端開發(fā)采用Vue框架，確保界面的友好性和交互性；后端采用Spring Boot框架，為前端提供強大的數(shù)據(jù)支持和業(yè)務處理能力。同時，系統(tǒng)選用MySQL作為數(shù)據(jù)庫，以支持數(shù)據(jù)的存儲、查詢與管理。

1.1 整體架構設計

本系統(tǒng)采用分層架構設計，包括數(shù)據(jù)層、算法層、服務層和應用層，系統(tǒng)整體架構如圖 1所示。應用層負責與用戶直接交互，提供圖書推薦、社交互動、圖書交易等多元化功能；服務層封裝業(yè)務邏輯，負責處理用戶請求，采集、記錄圖書與用戶數(shù)據(jù)以及獲取用戶推薦反饋數(shù)據(jù)，將數(shù)據(jù)傳遞至算法層；算法層由多種算法集成，通過用戶相似度計算、邏輯估分等操作，不斷訓練、過濾反饋數(shù)據(jù)，進而生成圖書推薦；數(shù)據(jù)層則利用MySQL數(shù)據(jù)庫存儲用戶信息、圖書信息及評分數(shù)據(jù)等關鍵信息，借助Redis緩存技術存儲與管理熱門圖書信息及用戶登錄狀態(tài)等數(shù)據(jù)。

1.2 功能模塊設計

本系統(tǒng)主要面向讀者用戶和管理員，用戶端包括熱讀推薦、專屬推薦、新書推薦、好友推薦等個性化圖書推薦功能以及圖書交易、圖書漂流等多元功能；管理端包括讀者用戶管理、圖書管理、社區(qū)管理和數(shù)據(jù)分析等功能，具體功能結構如圖 2所示。

（1）個性化圖書推薦模塊：根據(jù)用戶興趣偏好、社交關系為用戶提供圖書推薦。

（2）社交互動模塊：構建社區(qū)論壇，允許用戶發(fā)帖、評論、交流以及圖書漂流。

（3）圖書交易模塊：支持在線圖書購買，用戶可以完成瀏覽、查看、交易等流程。

（4）用戶管理模塊：負責用戶信息的全面管理，涵蓋注冊、登錄、信息更新等功能。

（5）圖書管理模塊：集中管理圖書數(shù)據(jù)，包括錄入、分類、檢索及狀態(tài)維護等。

（6）社區(qū)管理模塊：負責嚴審帖子、評論等，維護社區(qū)環(huán)境，監(jiān)控用戶行為。

2 關鍵技術選型

2.1 前端設計

本系統(tǒng)的前端設計采用Vue.js框架，開發(fā)重點包括路由管理、狀態(tài)管理、組件間的高效通信以及生命周期管理等。第一，通過合理的路由設計，確保用戶頁面間無縫切換。第二，借助狀態(tài)管理工具，實現(xiàn)全局狀態(tài)的統(tǒng)一管理和高效更新。第三，通過優(yōu)化的組件通信策略，保障數(shù)據(jù)的實時同步與交互的連貫性。第四，使用Composition API組織和復用組件邏輯，實現(xiàn)更簡潔的生命周期管理。具體設計如下。

2.1.1 路由管理

使用動態(tài)路由處理頁面之間的導航與跳轉。

2.1.2 狀態(tài)管理

使用Pinia進行全局狀態(tài)管理，確保用戶登錄之后的登錄狀態(tài)、收藏書籍列表、推薦結果等數(shù)據(jù)能夠被及時保存并在不同組件之間進行數(shù)據(jù)共享。

2.1.3 件通信

父子組件通信，通過props傳遞數(shù)據(jù)子組件并通過$emit觸發(fā)事件；兄弟組件通信，使用Vuex或事件總線 共享狀態(tài)；跨層級組件通信，通過provide和inject實現(xiàn)。

2.1.4 生命周期

例如，在組件加載時使用onMounted鉤子函數(shù)及時獲取推薦的書籍數(shù)據(jù)，確保組件掛載后立即加載推薦數(shù)據(jù)并展示在頁面上。

2.2 后端設計

本系統(tǒng)選用Spring Boot作為后端開發(fā)框架，采用3層分離架構模式，包括控制層、服務層、數(shù)據(jù)訪問層。其中，控制層負責處理用戶的HTTP請求，將請求轉發(fā)給服務層，同時將服務層返回結果映射為HTTP響應；業(yè)務層封裝業(yè)務邏輯，用于處理控制層傳來的請求，執(zhí)行相應操作并將結果返回給控制層；數(shù)據(jù)訪問層負責與數(shù)據(jù)庫進行交互，執(zhí)行增刪改查操作，為服務層提供數(shù)據(jù)支持。在本系統(tǒng)中，具體設計如下。

2.2.1 控制層

通過RESTful API實現(xiàn)標準化請求的分發(fā)。

2.2.2 業(yè)務層

（1）推薦服務：整合協(xié)同過濾、社交網絡及矩陣分解等，實現(xiàn)圖書推薦的核心邏輯。

（2）社交互動服務：主要處理與社交互動相關的業(yè)務邏輯（如用戶發(fā)帖、評論、點贊、圖書漂流等）并根據(jù)用戶之間的互動來推薦圖書。

（3）圖書管理與交易服務：實現(xiàn)圖書信息的增刪改查、購買、支付、庫存管理等。

（4）用戶管理服務：處理用戶的注冊、登錄、權限驗證等。

2.2.3 數(shù)據(jù)訪問層

使用MyBatis簡化API和配置方式，快速執(zhí)行數(shù)據(jù)庫操作。

2.3 數(shù)據(jù)庫設計

本系統(tǒng)采用MySQL作為后臺數(shù)據(jù)庫，對用戶信息、圖書信息及評分數(shù)據(jù)等關鍵信息進行存儲，各實體的屬性和關聯(lián)關系如圖 3所示。

3 多算法協(xié)同的混合推薦機制

3.1 傳統(tǒng)協(xié)同過濾推薦

協(xié)同過濾作為推薦系統(tǒng)的基礎算法，其基本原理是通過分析用戶的偏好行為，挖掘物品與物品、人與人之間的相似性來實現(xiàn)推薦［2］。其中，基于用戶的協(xié)同過濾主要通過尋找與目標用戶興趣相似的用戶群體，為目標用戶推薦喜歡的物品；而基于物品的協(xié)同過濾則尋找與目標物品相似的物品推薦給用戶［3］。在本系統(tǒng)中，具有應用于主頁的熱門推薦、相似讀物推薦等基礎性推薦功能。

以基于用戶的推薦為例，用戶間的相似度主要通過衡量2個用戶對共同評分書籍的評分之間的線性相關性來確定，實現(xiàn)推薦的步驟如下。

（1）獲取用戶對書籍的評分數(shù)據(jù)，利用交集獲取2個用戶共同評分的圖書。然后，利用皮爾遜相關系數(shù)計算用戶間的相似度并將其按照升序排序［4］，選擇與目標用戶前5個最相似的用戶：

（1）收集相似用戶對所有書的評分數(shù)據(jù)，排除目標用戶已評分的書籍，篩選出目標用戶未讀書籍。

（2）根據(jù)相似度對評分進行加權處理。相似度越高，相似用戶評分對目標用戶的影響越大。

（3）將所有加權評分進行累加，得到待推薦書籍的推薦得分，按照排名順序依次推薦。

3.2 基于FunkSVD矩陣分解的推薦

傳統(tǒng)協(xié)同過濾在實際應用中常面臨稀疏矩陣和冷啟動問題。一方面，由于圖書數(shù)量龐大且用戶興趣分布廣泛，用戶（物品）間共同評分信息稀缺；另一方面，對于新加入的用戶或圖書，由于缺乏足夠的歷史交互數(shù)據(jù)，無法有效地計算新用戶或新圖書與其他已有元素之間的相似度，難以進行有效的推薦。因此，本文采用FunkSVD矩陣分解深入挖掘用戶和書籍的潛在特征，有效解決以上題。

3.2.1 FunkSVD矩陣分解

FunkSVD矩陣分解是在隱語義模型基礎上引入L2正則的推薦算法［5］，基本原理是將用戶-物品評分矩陣轉化為2個低秩矩陣，通過優(yōu)化目標函數(shù)更新用戶和物品的潛在因子矩陣，減少預測矩陣與現(xiàn)有矩陣的差值。實現(xiàn)步驟如下。

（1）構建評分矩陣。

構建m×n階的用戶-評分矩陣R，其中m、n分別代表用戶和物品，記未評價的書籍評分為0。

（2）矩陣分解。

根據(jù)潛在因子數(shù)量選擇特征維度k，將用戶-評分矩陣R分解為用戶矩陣U（m×k）與物品矩陣V（k×n）。

（3）最小化損失函數(shù)。

為了降低分解矩陣造成的損失，使用矩陣R與重新構建矩陣之間的誤差平方作為損失函數(shù)，引入L2正則，構建以下公式：

①在用戶評分表中選擇用戶最近已評分的10本書籍作為參考書籍。依據(jù)內容相似性，選取未評分但與參考書籍相似性較高的100本書籍共同組成參考列表。

②在用戶評分表中，找到對參考列表中的書籍評分超過5次的用戶100人，將用戶與參考列表共同組合，形成101×100的評分矩陣。

③通過反復迭代，計算不同k值條件下FunkSVD矩陣分解造成的損失值。

④通過測試多組稀疏率為85%的評分矩陣，發(fā)現(xiàn)潛在因子數(shù)量為20左右時可取得最優(yōu)損失值結果。因此，本項目設定潛在因子數(shù)量范圍為［15，25］。

（5）預測與推薦。

使用訓練結果計算所有用戶對物品的預測評分，根據(jù)預測結果為用戶推薦未評分物品。

3.2.2 時間衰減因子

在實際應用中，隨著時間的推移，用戶對以往高評分書籍的興趣度會有所降低，但對新點評的高分書籍興趣度較高。因此，引入時間衰減因子［6］，根據(jù)距離當前時間的遠近來調整評分：

3.3 基于社交網絡的推薦

實際生活中，用戶對好友推薦的信任度往往更高。因此，本文引入基于鄰域的社交網絡推薦算法［7］，假設如果2個用戶在社交網絡上關系緊密且興趣相似，則一個用戶喜歡的物品可能也會被另一個用戶喜歡，從而實現(xiàn)好友間的推薦。推薦步驟如下。

（1）構建社交矩陣。

從社交網絡中提取用戶間的好友關系，收集用戶的興趣數(shù)據(jù)（如點贊、評論、分享等），構建用戶-用戶社交矩陣和用戶-物品評分矩陣。

（2）相似度計算。

用戶間的相似度包括熟悉程度和興趣相似度。熟悉程度基于共同好友比例計算：

（3）權重計算。

（4）鄰居選擇。

將社交網絡中的所有用戶的相似度數(shù)據(jù)存儲在數(shù)據(jù)集D中，根據(jù)權重wuv，為目標用戶選擇前k個最相似的用戶作為鄰居。其中，k值大小通過交叉驗證法確定。

（5）推薦實現(xiàn)。

然后，根據(jù)興趣度大小對圖書進行排序，選擇興趣度最高的若干圖書作為推薦結果。

3.4 融合提示工程的AI圖書推薦

隨著人工智能的迅速發(fā)展，以大語言模型為代表的AI技術為圖書推薦領域提供了新思路。通過深度學習和自然語言處理技術，大語言模型能夠深入理解用戶的需求，分析用戶的描述并模擬人類思維，從而為用戶提供更加貼合自身需求的圖書推薦［8］。

但面對海量的圖書資源，大模型生成的推薦結果往往過于寬泛或籠統(tǒng)。因此，本文在通義千問大模型的基礎上引入提示工程，通過設置合理的提示詞，引導大模型精準提取用戶興趣點，理解用戶的真實需求并與圖書庫數(shù)據(jù)相結合，生成更符合用戶身份和需求的精準化、智能化推薦結果。

3.4.1 提示工程設計

提示工程的設計主要從角色、提示詞、用戶反饋3個方面展開［9］。

（1）角色的設定。

根據(jù)用戶的需求以及互動的具體場景動態(tài)，設定明確角色，讓大模型能夠在互動中表現(xiàn)出符合角色特性的語言風格。本項目中大模型當前角色為“圖書管理員”。

（2）多角度設置提示詞。

設置專門針對圖書推薦場景的提示詞，包括年齡信息、興趣愛好等用戶基礎信息以及作者簡介、寫作背景、讀者評價等圖書相關信息。在調用大模型時，這些提示詞能夠向其提供充分的上下文信息。幫助大模型全面解析用戶特征與偏好，充分理解圖書內容與質量。

（3）用戶反饋機制。

為進一步提升提示詞的準確性，本系統(tǒng)建立了用戶反饋機制，通過收集實際使用中的反饋意見，積累數(shù)據(jù)，持續(xù)分析并改進提示詞內容。

3.4.2 提示工程的應用效果

在引入提示工程后，大模型的推薦效果得到了顯著提升，特別是在處理用戶特定需求時展現(xiàn)出強大的優(yōu)化能力。在用戶請求推薦書籍的場景中，如圖 4所示。

當一個中學生向大模型提問“給我推薦一些有關編程的書籍”時，傳統(tǒng)大模型的推薦結果（見圖4左圖）過于粗略，忽略了用戶的年齡、背景和認知水平，對于中學生可能過于復雜或難以理解。而本系統(tǒng)引入提示工程后，將用戶初次登錄系統(tǒng)時填寫的年齡、學習階段等基本信息作為關鍵提示詞，幫助大模型更精準地理解用戶的認知水平和需求。因此，當中小學生再次提問時，大模型會根據(jù)預先獲取的提示給出更好的推薦結果（見圖4右圖）。

4 結語

本文的主要貢獻體現(xiàn)在以下幾個方面：設計了一款多算法協(xié)同的混合圖書推薦系統(tǒng)，能夠針對用戶的不同需求提供多元化的推薦服務，不僅提升了推薦效率和精準度，還通過社交互動等功能增強了用戶間的互動聯(lián)系；構建了一種集成多種算法的圖書推薦機制，實現(xiàn)了協(xié)同過濾算法與矩陣分解、社交網絡的融合，利用多算法組合優(yōu)勢，有效解決了傳統(tǒng)推薦機制的冷啟動、社交互動不足、推薦單一等問題；引入通義千問大模型并結合提示工程對推薦結果進一步優(yōu)化，實現(xiàn)了AI賦能的智能圖書推薦，為人工智能在圖書領域的發(fā)展提供了新思路。

但本項目現(xiàn)階段仍存在一定的局限性和挑戰(zhàn)。未來的研究將繼續(xù)探究算法間的耦合關系，進一步優(yōu)化推薦算法，提升圖書推薦的智能化水平。

參考文獻

［1］劉鑫.協(xié)同過濾技術在智能推薦系統(tǒng)中的應用［J］.集成電路應用，2024（4）：118-119.

［2］吳正洋，湯庸，劉海.個性化學習推薦研究綜述［J］.計算機科學與探索，2022（1）：21-40.

［3］鄧園園，吳美香，潘家輝.基于物品的改進協(xié)同過濾算法及應用［J］.計算機系統(tǒng)應用，2019（1）：182-187.

［4］李散散，陳小榮.協(xié)同過濾推薦算法中的相似性度量研究［J］.現(xiàn)代信息科技，2022（15）：59-62，66.

［5］楊陽，向陽，熊磊.基于矩陣分解與用戶近鄰模型的協(xié)同過濾推薦算法［J］.計算機應用，2012（2）：395-398.

［6］凌婷.融合信任因子和時間因子的協(xié)同過濾推薦算法理論和實踐研究［J］.信息記錄材料，2024（10）：207-209.

［7］焦念萊.基于情境感知和社交網絡的推薦算法研究［D］.武漢：華中師范大學，2019.

［8］周向紅，鄧新榮，黃萬來.大模型與推薦系統(tǒng)開啟個性化推薦新篇章［J］.上海信息化，2024（9）：35-38.

［9］王益國，楊潔，李馥孜等.基于AI Agent的高校圖書推薦架構研究［J］.大學圖書情報學刊，2024（6）：3-8.

（編輯 沈 強編輯）

Research on hybrid book recommendation system based on multi-algorithm collaboration

HUANG "Lihong， TONG "Shuai， WANG "Shishuo， ZHANG "Junqi

（North China University of Science and Technology， Tangshan 063210， China）

Abstract： ""In order to solve the problems of cold start， insufficient social interaction and single recommendation faced by traditional book recommendation system， this article designs a hybrid book recommendation system with multi-algorithm collaboration. The system introduces social network and FunkSVD matrix decomposition on the basis of traditional collaborative filtering， and comprehensively considers multiple factors such as user similarity and time decay factor to realize diversified book recommendation services for different scenarios. Meanwhile， in order to meet the needs of users to obtain recommendation information independently， the Tongyi Qianwen large model is introduced， and its natural language processing and deep learning capabilities are used to generate recommendations and optimized in combination with cue engineering， so as to provide users with more accurate and intelligent query recommendation results.

Key words： book recommendation system; collaborative filtering; matrix decomposition; social networks; cue engineering