基于協(xié)同過濾推薦算法圖書推薦探究

《基于協(xié)同過濾推薦算法圖書推薦探究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、基于協(xié)同過濾推薦算法圖書推薦探究摘要：隨著信息技術(shù)以及互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,在面對(duì)這個(gè)信息量過載的時(shí)代，我們基本無(wú)法從海量的信息當(dāng)中快速有效的找到自己所需的信息。傳統(tǒng)的推薦算法也已經(jīng)無(wú)法滿足的人們的需求。協(xié)同過濾是推薦系統(tǒng)中最為廣泛使用和最成功的技術(shù)之一，以其出色的速度和健壯性，在理論和實(shí)踐中都取得了快速的發(fā)展，并且已經(jīng)在全球互聯(lián)網(wǎng)領(lǐng)域炙手可熱。針對(duì)當(dāng)前高校傳統(tǒng)數(shù)字圖書館已無(wú)法為用戶提供準(zhǔn)確的圖書推薦服務(wù)，本文以圖書推薦為例，提出了在協(xié)同過濾技術(shù)上的圖書個(gè)性化推薦系統(tǒng)研究以及實(shí)現(xiàn)過程，并?結(jié)其優(yōu)缺點(diǎn)。關(guān)鍵詞：

2、推薦系統(tǒng)；協(xié)同過濾；圖書推薦中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1007-9416(2017)04-0147-011協(xié)同過濾算法介紹在1992年Goldberg等學(xué)者首先提出來(lái)協(xié)同過濾一詞，他們將協(xié)同過濾技術(shù)使用到Tapestay的一個(gè)系統(tǒng)中，該系統(tǒng)主要是想解決Xerox公司在PaloAlto的研究中心信息過載問題。而協(xié)同過濾又常被用于分辨其為特定用戶可能感興趣的物品，因此這些結(jié)論也常用來(lái)對(duì)其他相似顧客對(duì)有些物品感興趣的分析。到目前為止，基于協(xié)同過濾推薦的技術(shù)和方法在實(shí)際的應(yīng)用系統(tǒng)中能取得重大成就的

3、同時(shí)，國(guó)內(nèi)外學(xué)者也在理論上對(duì)協(xié)同過濾的推薦技術(shù)進(jìn)行研究和改進(jìn)，著力于提高個(gè)性化推薦的效果。協(xié)同過濾算法以其出色的計(jì)算速度和健壯性，在全球范圍內(nèi)特別是在互聯(lián)網(wǎng)領(lǐng)域中，炙手可熱，同時(shí)相較其他算法，協(xié)同過濾具有以下兩個(gè)優(yōu)勢(shì)：第一,對(duì)推薦對(duì)象無(wú)特殊要求、對(duì)于復(fù)雜切抽象的資源也同樣能夠?qū)崿F(xiàn)推薦；其次，只需要顯式或者隱試的用戶使用過的歷史數(shù)據(jù)，而并不需要有關(guān)用戶本身的屬性、知識(shí)，并且不會(huì)對(duì)用戶的推薦體驗(yàn)，帶來(lái)一些負(fù)面影響［1］。目前主要由兩類協(xié)同過濾算法：其一是基于用戶的協(xié)同過濾算法(user-basedcollabor

4、ativefiltering)^還有基于物品的協(xié)同過濾算法(item-basedcollaborativefiltering)和SlopeOne算法。由于基于用戶的協(xié)同過濾算法存在數(shù)據(jù)稀疏性和算法擴(kuò)展性兩個(gè)重大問題。因此本文介紹的系統(tǒng)，所采用的是基于物品的協(xié)同過濾算法。2對(duì)協(xié)同過濾算法過程的分析(1)收集用戶偏好。本項(xiàng)目中就是收集用戶的借閱歷史。(2)計(jì)算物品(即已借圖書)之間的相似度，這是協(xié)同過濾推薦算法中最關(guān)鍵的一步。在協(xié)同過濾中，兩個(gè)物品是否能產(chǎn)生相似度，往往是因?yàn)樗鼈児餐缓芏嘤脩羲J(rèn)同，也就是說，每

5、個(gè)用戶都可以通過用戶本身對(duì)物品的歷史興趣列表，從而給物品貢獻(xiàn)相似度。在這里面蘊(yùn)含一個(gè)假設(shè)條件,那就是每個(gè)用戶對(duì)物品的興趣，基本都局限在某些方面，因此，如果兩個(gè)物品，能夠?qū)儆谠S多用戶的興趣列表，那么這兩個(gè)物品，就有可能就屬于有限的幾個(gè)領(lǐng)域，反過來(lái)說，如果兩個(gè)物品能夠?qū)儆诤芏嘤脩舻呐d趣列表，那么也就有可能屬于同一領(lǐng)域，從而來(lái)判斷他們有很大的相似度[2]。傳統(tǒng)的計(jì)算相似度的方法有三種：基于余弦(Cosine-based)的相似度計(jì)算、基于關(guān)聯(lián)(Correlation-based)的相似度計(jì)算和調(diào)整的余弦(Adjus

6、tedCosine)相似度計(jì)算。經(jīng)研究，在我們的圖書推薦系統(tǒng)中，采用以下公式：其中In(i)

7、和

8、N(j)丨分別表示喜歡物品i和物品j的用戶數(shù)量(變量)，而In(I)an(j)丨是即喜歡物品i同時(shí)也喜歡物品j的用戶數(shù)量。此公式限制了物品j的權(quán)重,可以避免了對(duì)熱門物品所進(jìn)行的推薦，從而也能夠提高為用戶所推薦自己喜歡物品的準(zhǔn)確性。詳細(xì)計(jì)算物品相似度的代碼如圖1所示，其中C[i][j]記錄了同時(shí)喜歡物品i和物品j的用戶數(shù)。通過上述圖、公式等得到物品相似度后，ItemCF也通過以下公式來(lái)計(jì)算用戶u對(duì)一個(gè)物品j的興趣度

9、：其中，N(u)是作為用戶喜歡的物品的一個(gè)集合，而S(j,K)是同物品j最相似的，K個(gè)物品的集合，Wji表示物品j同i的相似度，而rui是用戶u對(duì)物品i的興趣情況。這個(gè)公式的所表示含義是：和該用戶歷史上感興趣的物品，越相似的物品，越有可能在用戶的推薦列表中所獲得比較高的排名［3］。其實(shí)現(xiàn)代碼如：由此可見，協(xié)同過濾推薦算法具備強(qiáng)大的功能和較高的效率。我們一共選取了8700個(gè)學(xué)生的借閱信息進(jìn)行研究，并對(duì)其推薦結(jié)果進(jìn)行有效分析，我們得出結(jié)論：(1)借書越多的用戶，其推送準(zhǔn)確率越高。(2)能夠獲取圖書數(shù)據(jù)越完整的信息

10、和字段越多，推送越準(zhǔn)確。在研究中我們發(fā)現(xiàn)對(duì)于借書較少產(chǎn)生的推薦不是十分準(zhǔn)確，通過研究發(fā)現(xiàn)，系統(tǒng)根據(jù)少量的數(shù)據(jù)，該算法的使用不容易準(zhǔn)確掌握用的興趣愛好；對(duì)于從未借書的同學(xué)不會(huì)產(chǎn)生數(shù)據(jù)。這便是協(xié)同過濾算法的稀疏性問題。3結(jié)語(yǔ)本文介紹了協(xié)同過濾算法的主要思想，并以圖書推薦系統(tǒng)為例，詳細(xì)介紹其主要思想以及算法，采取相關(guān)方法來(lái)降低熱門商品的推薦率，以更好匹配用戶偏好相似度?；趨f(xié)同過濾技術(shù)的圖書推薦系統(tǒng)，對(duì)提