丁嵐

摘要：圖書館數(shù)字化研究對(duì)于提高圖書館的服務(wù)質(zhì)量有著非常重要的意義。本文從圖書推薦入手，介紹了協(xié)同過濾算法可以分為基于模型的協(xié)同過濾算法和基于記憶的協(xié)同過濾算法，著重介紹了基于記憶的協(xié)同過濾算法中的基于項(xiàng)目的協(xié)同過濾算法，闡述了算法的原理和基本步驟，為下一步的應(yīng)用奠定了基礎(chǔ)。

關(guān)鍵詞：圖書推薦 協(xié)同過濾 相似度

中圖分類號(hào)： TP391.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）05-0000-00

1 引言

數(shù)字圖書館逐漸向自動(dòng)化、智能化、個(gè)性化發(fā)展。數(shù)據(jù)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(wù)并不具有針對(duì)性。個(gè)性化圖書推薦可以根據(jù)個(gè)人圖書借閱歷史、用戶的瀏覽痕跡和用戶的資料，找出學(xué)生或者老師可能感興趣的圖書，由此向?qū)W生或者老師推薦相關(guān)的圖書，圖書推薦的方式有很多方法，例如基于內(nèi)容的推薦、基于關(guān)聯(lián)規(guī)則的推薦和基于協(xié)同過濾的推薦等。

協(xié)同過濾是分析用戶興趣，并找出與當(dāng)前用戶有共同喜好的用戶，然后根據(jù)相似用戶對(duì)某一項(xiàng)目的喜好度，預(yù)測(cè)當(dāng)前用戶是否喜歡此項(xiàng)目，由此作出推薦。算法的推薦原理非常的簡(jiǎn)單。用戶的信息與項(xiàng)目在預(yù)測(cè)部分要事先預(yù)處理下，然后輸出推薦的結(jié)果。

2 協(xié)同過濾算法的分類

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

基于模型算法的主要思想是根據(jù)機(jī)器學(xué)習(xí)或者統(tǒng)計(jì)方法對(duì)用戶的評(píng)分信息進(jìn)行建模，通過建好的模型來預(yù)測(cè)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(shù)、聚類技術(shù)、Bayes算法以及支持向量機(jī)等算法。支持向量機(jī)算法具有實(shí)時(shí)性較好，穩(wěn)定性較高，但是需要建立大量的模型，并且費(fèi)用較高。

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

3 基于項(xiàng)目的協(xié)同過濾算法

基于用戶的協(xié)同過濾推薦算法㈣有擴(kuò)展性和稀疏性問題，在2001年，Sarwar等人提出了基于項(xiàng)目的協(xié)同過濾算法[351。其基本原理用戶對(duì)項(xiàng)目進(jìn)行喜好評(píng)分，根據(jù)這些評(píng)分計(jì)算項(xiàng)目之間的相似度，把相似的項(xiàng)目推薦給用戶。原理如圖1所示。

從圖1中可以看出學(xué)生A對(duì)圖書1和圖書，3感興趣，學(xué)生B對(duì)圖書1、圖書2和圖書3感興趣，學(xué)生C對(duì)圖書1感興趣，可以推出，圖書1和圖書3是比較相似的，對(duì)圖書1感興趣的學(xué)生可能也對(duì)圖書3感興趣。由此也可以推出學(xué)生C對(duì)圖書3也比較感興趣，可以考慮將圖書3推薦給學(xué)生C。

基于項(xiàng)目的協(xié)同過濾算法主要有三個(gè)步驟，先計(jì)算項(xiàng)目之間的相似度，然后選擇近鄰，最后作出推薦。

（1）項(xiàng)目之間相似度的計(jì)算。常見的計(jì)算相似度的算法有Pearson相關(guān)系數(shù)法 （Pearson Correlation Coefficient）、余弦相似度法 （Cosine Similarity）和調(diào)整余弦相似度法（Adjustment Cosine Similarity）。例如：Pearson相關(guān)系數(shù)：計(jì)算兩個(gè)項(xiàng)目之間的線性關(guān)系，如式（1）所示

在上式中，表示項(xiàng)目u和v之間的相似度，是用戶u對(duì)項(xiàng)目i的評(píng)分，是用戶v對(duì)項(xiàng)目i的評(píng)分，是用戶u在已經(jīng)評(píng)價(jià)過的項(xiàng)目上的平均分，是用戶v在已經(jīng)評(píng)價(jià)過的項(xiàng)目上的平均分。

（2） 尋找相似鄰。計(jì)算了項(xiàng)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(shè)閾值法。

（3）產(chǎn)生推薦。主要有兩種方法：Top-N推薦列表和預(yù)測(cè)當(dāng)前用戶對(duì)項(xiàng)目的評(píng)分?？紤]到求平均值是不太理想的，有人提出了使用加權(quán)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(xiàng)目間的相似度，項(xiàng)目間的相似度越大，則預(yù)測(cè)評(píng)分的影響就也越大。

4 算法實(shí)驗(yàn)驗(yàn)證

本文實(shí)驗(yàn)評(píng)估仍然基于Book.Crossing數(shù)據(jù)集，學(xué)校圖書館中用戶對(duì)圖書的評(píng)分從2003年到2015年的評(píng)分有1e10條記錄，是由1e6個(gè)用戶對(duì)5e5的評(píng)分，這些評(píng)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(duì)算法進(jìn)行測(cè)試，測(cè)量真實(shí)評(píng)分與預(yù)測(cè)評(píng)分之間的平均絕對(duì)誤。算法運(yùn)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(jié)語

闡述了協(xié)同過濾推薦算法的相關(guān)理論，重點(diǎn)介紹基于項(xiàng)目的協(xié)同過濾算法，算法的步驟可以分為項(xiàng)目之間相似度的計(jì)算、尋找相似鄰和產(chǎn)生推薦三個(gè)方面。實(shí)驗(yàn)結(jié)果表明，該算法具有一定的推薦效果。

參考文獻(xiàn)

[1]聶飛霞.高校圖書館個(gè)性化圖書推薦系統(tǒng)設(shè)計(jì)[J].情報(bào)探索，2014，1（195）：115-118.