劉曉曉

摘要：在互聯(lián)網(wǎng)迅速發(fā)展的時(shí)代，各種信息接踵而來，給人們獲得信息帶來便利的同時(shí)，也造成了不可避免的困擾：信息種類繁多，難以甄別；增速太快，難以準(zhǔn)確獲得自己所需要的信息，從而對(duì)信息的利用率降低，難以體現(xiàn)出信息時(shí)代給大家?guī)淼膬?yōu)越性。由于信息超載的現(xiàn)象廣泛存在，那么解決辦法之一可以選擇個(gè)性化推薦系統(tǒng)。它是根據(jù)用戶的信息需求、興趣等，將用戶感興趣的信息、產(chǎn)品等推薦給用戶的一個(gè)個(gè)性化信息推薦系統(tǒng)。推薦系統(tǒng)通過研究用戶數(shù)據(jù)，進(jìn)行個(gè)性化計(jì)算，發(fā)現(xiàn)用戶的興趣偏好，從而引導(dǎo)用戶發(fā)現(xiàn)自己的信息需求，準(zhǔn)確找到信息資源，提高信息的利用價(jià)值。即個(gè)性化推薦系統(tǒng)是根據(jù)用戶的興趣愛好，推薦符合用戶個(gè)性的信息或產(chǎn)品。

關(guān)鍵詞：協(xié)同過濾；個(gè)性化推薦；應(yīng)用

一、協(xié)同過濾算法的定義

協(xié)同過濾技術(shù)的基本思想是：利用一些興趣愛好相似、擁有相同經(jīng)驗(yàn)群體的偏好給目標(biāo)用戶推薦可能感興趣的項(xiàng)目。協(xié)同過濾算法的實(shí)現(xiàn)大致分為構(gòu)建用戶，形成項(xiàng)目矩陣，尋找最近鄰居，產(chǎn)生最相似推薦數(shù)據(jù)三個(gè)步驟。目前主要有兩類協(xié)同過濾推薦算法：基于用戶的協(xié)同過濾推薦算法和基于項(xiàng)目的協(xié)同過濾推薦算法。基于用戶的協(xié)同過濾推薦算法是根據(jù)目標(biāo)用戶的最相似的若干用戶對(duì)某個(gè)項(xiàng)目的評(píng)分，從中找到與目標(biāo)用戶最相似的用戶，參考其對(duì)目標(biāo)項(xiàng)目的評(píng)分，從而決定是否推薦給目標(biāo)用戶；基于項(xiàng)目的協(xié)同過濾推薦算法其總體思路就是根據(jù)用戶的評(píng)價(jià)數(shù)據(jù)，為每個(gè)物品計(jì)算出與其評(píng)價(jià)最為相近的其他項(xiàng)目。然后，當(dāng)我們想要為目標(biāo)用戶提供推薦的時(shí)候，就可以查看他曾經(jīng)評(píng)分過的項(xiàng)目，并從中選出排位靠前的項(xiàng)目，再根據(jù)相關(guān)加權(quán)函數(shù)構(gòu)建出一個(gè)加權(quán)列表，其中包含了與這些選中項(xiàng)目最為相近的其他項(xiàng)目。得到項(xiàng)目之間的相似性后，可以將與用戶評(píng)價(jià)過的相似度較高的項(xiàng)目推薦給目標(biāo)用戶。

二、協(xié)同過濾算法的應(yīng)用

隨著圖書館館藏圖書資源的增多，以及計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的高速發(fā)展，各高校都建立起自己的圖書借閱管理系統(tǒng)，利用積累的圖書借閱歷史資料，對(duì)符合學(xué)生興趣并且適合個(gè)性發(fā)展的圖書進(jìn)行推薦，從而提高圖書的利用率，減少學(xué)生尋找資料的時(shí)間，提高學(xué)習(xí)效率。

圖書館的推薦系統(tǒng)通過將學(xué)生讀者的興趣、借閱圖書等信息與圖書中的屬性進(jìn)行匹配，選擇基于物品的協(xié)同過濾推薦算法，為學(xué)生提供相應(yīng)的推薦圖書。

首先構(gòu)建學(xué)生信息數(shù)據(jù)庫(kù)、圖書信息數(shù)據(jù)庫(kù)、借閱圖書記錄；然后，建立學(xué)生-圖書評(píng)分矩陣；其次，判斷用戶是否有借閱記錄，然后在根據(jù)不同的協(xié)同過濾推薦算法對(duì)學(xué)生進(jìn)行圖書的推薦。具體如下：

（一）根據(jù)數(shù)據(jù)庫(kù)中的學(xué)生信息表（學(xué)生的基本信息以及喜歡的書籍類型等）及借閱信息，構(gòu)建屬于學(xué)生讀者的特征向量，即學(xué)生讀者模型；

（二）結(jié)合由（一）得到的學(xué)生讀者模型和圖書信息，構(gòu)建圖書模型，建立對(duì)應(yīng)的特征向量；

（三）判斷當(dāng)前用戶是新用戶或老用戶，若用戶有借閱信息記錄則為老用戶，否則為新用戶；

（四）對(duì)于老用戶，若參考借閱信息記錄，則由基于用戶的協(xié)同過濾算法進(jìn)行推薦；如果不參考借閱信息記錄，則利用基于項(xiàng)目的協(xié)同過濾推薦算法進(jìn)行推薦；

（五）對(duì)新用戶，采用基于屬性值偏好矩陣的最近鄰?fù)扑]；

三、協(xié)同過濾算法在圖書館推薦系統(tǒng)應(yīng)用的體現(xiàn)

圖書推薦功能主要是根據(jù)學(xué)生的評(píng)分作為項(xiàng)，形成一個(gè)矩陣。當(dāng)?shù)卿浻脩艏磳W(xué)生讀者對(duì)已經(jīng)借閱的圖書進(jìn)行的評(píng)價(jià)與另一個(gè)學(xué)生用戶已經(jīng)借閱的圖書的評(píng)價(jià)比較相似，那么就認(rèn)為該用戶與另一個(gè)學(xué)生用戶是相似用戶，也就是他的鄰居。根據(jù)學(xué)生鄰居集獲得他們?cè)u(píng)分較高的圖書集合，進(jìn)而把這些圖書集合推薦給相應(yīng)學(xué)生，并顯示到圖書列表中。這樣可以讓學(xué)生直觀地查看推薦圖書情況。

所有這些功能的實(shí)現(xiàn)都是由以下代碼所體現(xiàn)：

User 興趣 ID

Book 書名

Evaluation 評(píng)價(jià) 書名 用戶

User user = new User（userId）；

//通過用戶查詢?cè)u(píng)價(jià)

List evaList = this.getEvaluation（user）；

List bookList = new ArrayList（）；

if（null==evaList）{

//新用戶

bookList = this.getBooksByInterest（user.getInterest（））；

//按評(píng)價(jià)數(shù)對(duì)書籍進(jìn)行排序

bookList = this.sortByEvaluation（）；

}else{

//有評(píng)價(jià)用戶

List userList = this.getUsersByDistance（user）；//獲得最相近鄰居的學(xué)生集

evaList = this.getBooksByDistance（userList）；//獲得最近鄰居成績(jī)記錄

//按評(píng)價(jià)數(shù)進(jìn)行排序

evaList = this.sortByEvaluation（）；

//將排序后的圖書進(jìn)行裝載

for（Evaluation evaluation ：evaList）{

Book book = evaluation.getBook（）；

bookList.add（book）；

}

}

//推薦評(píng)價(jià)高的書籍本數(shù)

int num=10；

List recommendBooks = new ArrayList（）；

if（null！=bookList）{

for（int i=0；i

recommendBooks.add（book）；

}

}

return recommendBooks；

四、總結(jié)

協(xié)同過濾推薦算法是基于用戶和項(xiàng)目的數(shù)據(jù)評(píng)分矩陣對(duì)用戶信息進(jìn)行表示，但是對(duì)于圖書推薦系統(tǒng)而言的話，隨著用戶和圖書項(xiàng)目數(shù)量的不斷增加，協(xié)同過濾面臨嚴(yán)峻的用戶評(píng)分?jǐn)?shù)據(jù)稀疏性問題，導(dǎo)致推薦質(zhì)量迅速下降；對(duì)于圖書推薦系統(tǒng)中的新用戶而言，系統(tǒng)無法得知其興趣愛好，無法推薦其相似用戶，那么新用戶是無法獲得推薦書目的，從而導(dǎo)致冷啟動(dòng)問題的產(chǎn)生。所以要盡快解決這些問題的存在，改進(jìn)算法，使得圖書推薦系統(tǒng)可以更好地為學(xué)生服務(wù)，推薦高質(zhì)量的圖書。（作者單位：河北大學(xué)）

參考文獻(xiàn)：

[1]李雅輝.基于協(xié)同推薦的高校個(gè)性化圖書推薦系統(tǒng).[J].2015（7）

[2]徐天偉.基于協(xié)同過濾的個(gè)性化推薦選課系統(tǒng)研究.[J].現(xiàn)代教育技術(shù)，2014，（6）

[3]李惠.一種新穎的協(xié)同推薦算法研究.[J].微電子學(xué)與計(jì)算機(jī)，2012（3）

[4]李聰，梁昌勇，馬麗.基于領(lǐng)域最近鄰的協(xié)同過濾推薦算法[J].計(jì)算機(jī)研究與發(fā)展，2008，45（9）：1532-1538.

[5]Schafer.J.，et al.Collaborative filtering recommender systems.The adaptive web，2007.291-324.