可提高多样性基于重排序图书算法研究.docVIP

可提高多样性基于重排序图书算法研究 　　〔摘 要〕通过提供个性化推荐，推荐系统的重要性越来越受到读者的重视。现有推荐算法着重关注推荐的准确度，将读者引导到少数热点图书上，导致产生较多长尾图书的问题；并且读者的兴趣过于集中，不利于挖掘读者潜在的兴趣点。提出一种重排序的基于用户协同过滤算法，该算法通过对推荐列表TOP-N进行重排序来产生推荐列表。实验结果表明，该算法可以在一定精确度损失的条件下，大幅提高最终推荐列表的多样性有利于读者接触更多的未知领域及长尾图书的销售。 　　〔关键词〕推荐系统；协同过滤；多样性；长尾图书 　　DOI：10.3969/j.issn.1008-0821.2017.12.010 　　〔中图分类号〕G252.1 〔文献标识码〕A 〔文章编号〕1008-0821（2017）12-0059-05 　　〔Abstract〕The importance of Recommender systems is becoming more and more to readers by providing personalized recommendations.The existing recommendation algorithms that focus on recommendation accuracy will misguide readers to a few hot books，thus creating many long-tail books.As a result，the excessive concentration of reader interest is unfavorable for excavation of potential points of interest.The paper proposed a reranking user-based collaborative filtering algorithm，which generated a new recommendation list via reranking of TOP-N on the original list.The experimental results showed that this algorithm could greatly improve the diversity of the final recommendation list at the sacrifice of certain accuracy.This algorithm helped readers to know more previously unknown fields as well as the borrowing of long-tail books. 　　〔Key words〕recommender system；collaborative filtering；diversity；long-tail book 　　?S着高校的不断发展和学生数量的扩大，图书馆中馆藏图书数量以几何倍数增长。高校图书馆面临着数万读者与上百万的图书资源之间如何进行匹配的问题：即在如何发挥图书的最大功效的同时，能针对读者的个性化需求提供图书推荐服务。推荐系统实质是一种能进行信息过滤的系统。其能根据用户特征模型通过智能推荐策略实现个性化信息推荐和定制[1]。近年来，越来越多的推荐系统帮助人们从候选集合中找出最优资源，在不同的领域如音乐[ 2-3]，电影[4-5]，旅行[ 6-7]，电子商务[ 8-9 ]、在线学习[10]、社交网络[11]和图书[12-13]等领域发挥着作用。 　　推荐系统的目的是为用户推荐合适的项目值，大多数推荐算法的主要目的是提高推荐的准确度。但在实际应用中，用户对准确率高的推荐系统不一定满意。因为推荐系统不仅需要通过高准确率来满足用户，更重要的是能发掘出用户潜在的最大需求效能。例如，系统推荐了热门经典图书给读者，使得准确度非常高，但是这些图书信息读者可以从其他途径轻易得到，因此读者不会认为这样的系统是有价值的。 　　由于现有图书推荐算法过度关注推荐的准确度，而很少考虑到推荐的多样性。将存在以下问题：①对图书而言，在现有的各种推荐算法中，由于各种热门经典书记被读者借阅和评论的越多，则将被排在推荐列表的首位，将更容易被读者借阅和评论，即广大读者的兴趣被集中引导到同类中的热门图书上去。形成马太效应，即热门书籍越来越热，而其他非热门的书籍将无人问津，形成长尾书籍。②对图书馆而言，推荐的书籍为经典或热门书籍，也受到大多数读者的喜欢，因此将导致推荐结果同质化严重的现象，很难推荐出读者潜在喜欢的书籍，也就是说，推荐系统提供的