基于半监督聚类的数字图书推荐模型.docVIP

基于半监督聚类的数字图书推荐模型 　　【摘 要】互联网的飞速普及使数字图书馆变成现代图书馆建设的一个重要维度，为用户供给越发优秀的图书加工和组织方法成为了数字图书馆前进的一个重要方向。数字图书推荐能够结合读者的历史阅读信息，个人的兴趣喜好等数据，为读者推荐他应该有兴趣的书籍。数字图书推荐能够增加图书资源的使用率，增多阅读书籍的读者。本文利用两种半监督聚类算法，改进了一种数字图书推荐系统模型。 　　【关键词】数字图书；推荐系统 　　0 引言 　　数字图书推荐系统一般分为三个基本模块：数据采集模块、数据预处理模块和数字图书推荐模块[1]。数字图书推荐系统的简要推荐过程一般可以归为五步：（1）采集图书信息，得到图书数据。（2）通过读者的个性化界面获得读者的行为日志，采集读者的信息数据。（3）将书籍数据和读者数据进行数据预处理。（4）将预处理之后的数据用于数字图书推荐模块，得到最终推荐。（5）把最终推荐结果在用户个性化界面进行显示。本文主要改进的是数字图书推荐模块。 　　1 数字图书推荐模块 　　本文主要用基于熵理论的马氏距离与高斯模型的半监督混合聚类算法（SSCMG）和基于马氏距离与主动学习成对约束的半监督模糊聚类（SSFCMAP）相结合，实现数字图书的个性化推荐。 　　数字图书推荐模块的基本步骤为： 　　Step 1：将读者行为数据采用数据预处理操作，获得读者的数据矩阵