基于协同过滤的图书推荐模型new

《基于协同过滤的图书推荐模型new》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、＞＞第55卷第1期2011年1月*基于协同过滤的图书推荐模型122安德智刘光明章恒12甘肃政法学院计算机科学学院兰州730070甘肃省计算中心兰州730000〔摘要〕针对目前传统数字图书馆无法为用户提供准确个性的图书推荐服务的问题，提出构建基于协同过滤的图书智能推荐系统。首先对图书进行聚类，构建无缺失的图书评价矩阵，在此基础上根据读者对相似图书的评分预测读者的兴趣爱好，为读者提供个性化的图书推荐。该方法在评分数据极端稀疏的情况下也可以为读者作出准确的图书推荐。最后通过实验验证该推荐方法的有效性和实用性。〔关键词〕数据挖掘协同过滤图书推荐〔分类号〕TP311Col

2、laborativeFiltering-basedModelofBookRecommendation122AnDezhiLiuGuangmingZhanHeng1ComputerSchoolofGansuInstituteofPoliticalScienceandLaw，Lanzhou7300702GansuComputingCenter，Lanzhou730000〔Abstract〕Inregardtotheimpossibilityofrecommendingaccurateandindividualizedbookthroughtraditionaldig

3、itallibraries，thepaperputsforththeconstructionofintelligentandcollaborativefiltering-basedbookrecommendation．Atfirst，booksareclusteredtoconstructcompleteevaluativematrix，thenpredictreaders’hobbiesaftertheyscoresimilarbooks，andprovideindividualrecommenda-tionofbooksforreaders．Itisposs

4、ibletodosoevenincasethatthescoringdataarerare．Theexperimenthasprovenitefficientandpractical．〔Keywords〕dataminingcollaborativefilteringbookrecommendation同的推荐算法，其中有很多方法结合了数据挖掘领域1引言的研究成果。目前使用的主流推荐算法包括如下几种:基于关联规则(AssociationRule-basedRecommenda-随着数据库管理系统的广泛应用，图书馆积累了tion，ARBR)、基于内容的推荐算法(C

5、ontent-based大量图书流通历史数据，这些数据背后隐藏着许多重Recommendation，CBR)、协同过滤推荐算法(Collabora-要的信息，人们希望能够对其进行更高层次的分析，以tiveFilteringRecommendation，CFR)以及混合推荐算法便利用这些数据更好地为读者提供个性化信息服(HybridRecommendation)。本文提出一种基于协同过［1］务。智能图书推荐系统能很好地解决这一问题，它滤(collaborativefiltering)推荐算法针对读者兴趣爱好不仅可以对隐藏在海量数据后的关系进行挖掘，还可提供个性化服

6、务的模型。以通过对用户专业特征、使用偏好的分析而预测用户［2］的行为。蕴涵在大量读者数据中的潜在的关系和模2协同过滤推荐算法［3］式信息也为智能图书推荐系统的构建提供可能。［4］［5］Resnick和Varian在1997年给出了推荐系统的协同过滤又叫社会过滤，由Goldberg等人在非形式化的定义为:“利用电子商务网站向客户提供商1992年首先提出，并应用在研究型邮件推荐系统Tap-品信息和建议，帮助顾客决定应该购买什么产品，模拟estry中。协同过滤推荐的核心思想是认为用户的兴趣销售人员帮助顾客完成购买过程”。推荐算法是推荐偏好是可以通过对具有类似行为或偏好

7、的用户群进行系统实现的核心模块，直接影响着推荐效率与质量，研分析和预测得出的，强调人与人之间的协作，利用了最究人员根据不同领域推荐系统的特点，提出了各种不近邻的预测技术，搜索与当前用户的兴趣偏好相似性收稿日期:2010－09－08修回日期:2010－10－25本文起止页码:35－38本文责任编辑:王传清35＜＜图书馆学理论研究高的邻居用户群，并加权考虑邻居用户的偏好值(建最高的N个项目推荐给用户，即产生Top-N推荐。其议)来预测当前用户可能感兴趣的项目，因此算法的个中用于统计预测的公式可以采用下面的比较典型的2性化程度高，能够为用法发现新兴趣，实现兴趣的跳跃个

8、启发式函数:式推荐。该方