劉莉

摘 要：本文研究在書籍推薦過程中，用戶興趣分布及特征向量的計(jì)算其與最近聚類中心的軌跡距離，并根據(jù)每個(gè)聚類中心計(jì)算屬于該聚類的數(shù)據(jù)之和，對每個(gè)節(jié)點(diǎn)的累加數(shù)據(jù)和進(jìn)行合并求和，判斷 sum 和是否小于閾值，通過函數(shù)計(jì)算來完成更新聚類中心的操作，直到算法收斂或完成迭代從而輸出聚類中心和聚類結(jié)果。通過實(shí)驗(yàn)證明了該研究算法的可行性和有效性。

關(guān)鍵詞：書籍推薦;興趣分布;特征向量;協(xié)同過濾

0 引言

隨著信息化數(shù)字圖書館時(shí)代的來臨，對于圖書館書籍的管理研究工作更加側(cè)重于新技術(shù)應(yīng)用和開發(fā)上。目前，世界上針對于書籍管理的研究內(nèi)容主要集中在書籍推薦的效果中，利用書籍對比關(guān)系進(jìn)行定義和定位，將更多地書籍相關(guān)信息內(nèi)容融合到書籍本體中，造成了書籍推薦研究的復(fù)雜關(guān)系。因此，在圖書館的書籍管理中，如何獲取書籍的相關(guān)信息進(jìn)行分析并作出合理的評價(jià)及推薦成為書籍管理研究領(lǐng)域的一個(gè)難點(diǎn)。

書籍推薦被視為圖書館服務(wù)工作的重點(diǎn)，書籍推薦質(zhì)量的好壞直接關(guān)系到圖書館服務(wù)質(zhì)量。本文在書籍推薦系統(tǒng)中融入?yún)f(xié)同過濾算法來提升書籍推薦效果，建立的書籍推薦模型以書籍本體構(gòu)架，在模型中引發(fā)觸發(fā)機(jī)制進(jìn)行信息搜集、處理和過濾，并據(jù)此向用戶推薦書籍。本文研究重點(diǎn)在于用戶偏好模型表征用戶興趣的準(zhǔn)確度和對潛在興趣的挖掘度直接決定了資源推薦的準(zhǔn)度和廣度等問題上，通過將本體感知因子形成的特征向量形成數(shù)據(jù)集，從而實(shí)現(xiàn)了并行算法結(jié)構(gòu)處理過程。通過設(shè)置本體感知因子的特征向量以確定容量及結(jié)構(gòu)范圍，形成的初始化特征因子會被定義在局部結(jié)構(gòu)內(nèi)進(jìn)行分析和學(xué)習(xí)能力，針對每個(gè)數(shù)據(jù)分片，計(jì)算其與最近聚類中心的軌跡距離，并根據(jù)每個(gè)聚類中心計(jì)算屬于該聚類的數(shù)據(jù)之和，對每個(gè)節(jié)點(diǎn)的累加數(shù)據(jù)和進(jìn)行合并求和，判斷 sum 和是否小于閾值，通過函數(shù)計(jì)算來完成更新聚類中心的操作，直到算法收斂或完成迭代從而輸出聚類中心和聚類結(jié)果。經(jīng)過實(shí)驗(yàn)的測試過程證明了本文研究內(nèi)容的準(zhǔn)確性和有效性均能滿足當(dāng)前書籍推薦的需要。

1 書籍推薦模型

書籍推薦系統(tǒng)主要由圖書信息庫、推薦引擎和數(shù)據(jù)庫三大部分組成。其中，信息庫儲存著是用戶與系統(tǒng)的基礎(chǔ)信息，用戶可以看到自己曾經(jīng)感興趣的書籍和個(gè)人信息等內(nèi)容，同時(shí)系統(tǒng)也會自動化地給用戶推薦一個(gè)書籍列表;推薦引擎是實(shí)現(xiàn)個(gè)性化推薦最重要的模塊，系統(tǒng)會根據(jù)用戶信息，根據(jù)用戶興趣和書籍信息進(jìn)行書籍推薦，當(dāng)用戶進(jìn)行評分，產(chǎn)生行為數(shù)據(jù)后，采用協(xié)同過濾算法來實(shí)現(xiàn)個(gè)性化推薦。

書籍推薦模型的建立是依據(jù)與書籍相關(guān)知識內(nèi)容的關(guān)聯(lián)產(chǎn)生的，這里的書籍信息和用戶信息被分別列為本體的感知因子，針對各類信息內(nèi)容又會呈現(xiàn)出更多地感知因子，因此基于本體的感知因子因?yàn)榫垲愡^程相互獨(dú)立且每次迭代相同任務(wù)，所以會形成龐大的粒子團(tuán)，而隨著任務(wù)粒度增加，計(jì)算時(shí)間也相對越長。由于感知因子的數(shù)據(jù)對象彼此獨(dú)立，計(jì)算每個(gè)數(shù)據(jù)對象所屬的聚類，隨著聚類迭代次數(shù)增加，需要不斷更新聚類中心。針對以上情況，本文提出基于協(xié)同過濾算法，就是有效地支持迭代運(yùn)算，提高算法效率[1-3]。

2用戶興趣分布變化函數(shù)

2.3 評估標(biāo)準(zhǔn)

本文運(yùn)用召回率（Recall）α，準(zhǔn)確率（Precision）δ，，召回率α 與準(zhǔn)確率δ 的調(diào)和平均值（F-Measure） F ，平均絕對誤差（MAE）η 來評估實(shí)驗(yàn)結(jié)果。預(yù)測項(xiàng)感知因子分集合。平均絕對誤差 MAE 越小，推薦質(zhì)量越高。

2.4實(shí)驗(yàn)結(jié)果

為了對本文研究的協(xié)同過濾算法的推薦效率和推薦準(zhǔn)確度進(jìn)行分析，采取了以下幾組實(shí)驗(yàn)：

（1）對比算法在不同聚類下的平均絕對誤差 MAE 值、召回率 Recall 及 F-Measure 值，進(jìn)而判斷算法所選擇的聚類參數(shù)值 K;

（2）對比基于協(xié)同過濾算法與加速運(yùn)行的推薦效率。利用算法分別將用戶特征項(xiàng)目劃分成若干粒子群，同時(shí)，運(yùn)用協(xié)同過濾推薦算法于每次迭代的每個(gè)粒子群中，并且計(jì)算平均召回率和 MAE 值。

協(xié)同過濾算法在測試過程中的運(yùn)行軌跡，得到的推薦結(jié)果的召回率。其中，以圓心作為準(zhǔn)確率靶標(biāo)項(xiàng)，距離靶心越近則準(zhǔn)確率越高，而偏離靶心的軌跡則為被干擾的因子項(xiàng)，在經(jīng)過修正后回到糾偏軌跡則被標(biāo)記為修正因子，也是影響召回率的主要參數(shù)內(nèi)容。

經(jīng)過測試過程的數(shù)據(jù)體現(xiàn)在坐標(biāo)靶項(xiàng)中，軌跡在正常測試過程中，開始階段隨著聚類數(shù)增加，算法的 MAE 值下降速度最快，當(dāng)聚類數(shù)為338 時(shí)，算法的 MAE 值才出現(xiàn)粒子群偏移問題，隨著聚類數(shù)增加，MAE 值也逐漸呈現(xiàn)出偏離過大的趨勢，說明目標(biāo)用戶的MAE值初定在338的聚類范圍內(nèi)，推薦精度保持在最佳狀態(tài)。協(xié)同過濾算法在不同迭代步數(shù)下推薦結(jié)果的召回率。當(dāng)?shù)綌?shù)在15左右時(shí)，各種情況下推薦結(jié)果的召回率基本都取得了最大值。

與目標(biāo)用戶進(jìn)行相似度計(jì)算的用戶數(shù)會隨之減少，算法的推薦準(zhǔn)確度也不會下降。從加速運(yùn)行軌跡中的參數(shù)值來分析，假定不考慮隨機(jī)因素的影響，隨著聚類數(shù)的增加，加速運(yùn)行算法的軌跡與常規(guī)速度軌跡基本相同，其運(yùn)動軌跡的偏差數(shù)值也與協(xié)同過濾算法勻速運(yùn)動的數(shù)值成正比，這也證明加速過程的優(yōu)化算法效果明顯。

3總結(jié)

本文研究的協(xié)同過濾算法經(jīng)過測試獲得了較高的精準(zhǔn)度，并且召回率控制在合理的范圍內(nèi)。通過海量數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，在模擬環(huán)境下并行化執(zhí)行算法測試，從降維運(yùn)行軌跡可以看出，數(shù)據(jù)計(jì)算時(shí)間并未隨著數(shù)據(jù)集規(guī)模而增加，讀、寫操作優(yōu)勢逐漸變得明顯，這充分體現(xiàn)了基于內(nèi)存計(jì)算模式在時(shí)間開銷上的巨大優(yōu)勢。同時(shí)，在驗(yàn)證本文研究算法的加速比，在數(shù)據(jù)集加速達(dá)到了算法的閾值1時(shí)，在處理初始階段通信節(jié)點(diǎn)間的通信使得時(shí)間消耗增加，而隨著數(shù)據(jù)集的增加，加速比則逐漸提高，這充分體現(xiàn)了協(xié)同過濾算法的優(yōu)勢。

參考文獻(xiàn)：

[1]基于遺傳算法的聚類與協(xié)同過濾組合推薦算法[J]. 馮智明，蘇一丹，覃華，鄧海.計(jì)算機(jī)技術(shù)與發(fā)展. 2014（01）.

[2]混合協(xié)同過濾個(gè)性化推薦算法研究[J]. 黃瓊，馮軍煥.計(jì)算機(jī)光盤軟件與應(yīng)用. 2014（04）.

[3]基于協(xié)同過濾的個(gè)性化選課推薦與評論系統(tǒng)[J]. 周澤宇，王春玲.信息記錄材料. 2018（10）.

[4]A content-collaborative recommender that exploits WordNet-based user profiles for neighborhood formation[J] . Marco Degemmis，Pasquale Lops，Giovanni Semeraro.User Modeling and User-Adapted Interaction . 2007 （3）.

[5]Afelder and silverman learning styles model based personalization approach to recommend learning objects. BIROL CILOGLUGIL，MUSTAFA MURAT INCEOGLU. Computational Science and Its Applications-ICCSA . 2016.

[6]基于用戶的協(xié)同過濾算法的改進(jìn)研究[J]. 蘇林宇，陳學(xué)斌.軟件. 2017（04）.

[7]一種基于自適應(yīng)近鄰選擇的協(xié)同過濾推薦算法[J]. 彭玉，程小平.電腦知識與技術(shù). 2016（16）.

[8]基于項(xiàng)目評分預(yù)測的混合式協(xié)同過濾推薦[J]. 盈艷，曹妍，牟向偉.現(xiàn)代圖書情報(bào)技術(shù). 2015（06）.

[9]一種基于向量空間模型的模糊本體映射方法[J]. 張凌宇，陳淑鑫，張光妲，呂洪柱.計(jì)算機(jī)應(yīng)用研究. 2014（05）.