图书馆推荐系统建置-以淡江图书馆资料为例-淡江大学.pptVIP

為了增加借閱者找書效率，本文提出兩層關聯式物推薦物方法，適用於借閱者身份開放與否之場合 兩層關聯式物推薦物方法優於Mahout三種方法，高出5%以上 兩層關聯式物推薦物方法在結合分類號時效果更好，可提升3% 利用兩層關聯式物推薦物方法推薦時宜包含給定物品本身，否則表現下降達14% 未來本推薦系統將做成網站服務(web service)，內嵌在圖書查詢系統網頁上 * 謝謝大家 * * * 指導教授：魏世杰 研究生：陳慶宇 * 緒論 文獻探討 研究方法 實驗及評估 結論和未來目標 * 圖書館擁有大量資料 搜尋模式單一，只能使用關鍵詞 若遇書名用詞或語言不同，搜尋結果可能遺漏使用者所需 使用推薦系統改善[13] * 常用技術[7]有： 協同過濾(Collabrative Filtering)：社群力量 內容為本(Content-based)：文字比對 知識為本(Knowledge-based)：屬性篩選 * 以淡江圖書借閱紀錄及分類號為協同及內容推薦基礎 考量個資問題 當無法取得借閱者身份 提出物推薦物方法 當可取得借閱者身份 提出物推薦物內嵌在人推薦物方法下之做法 結果與Mahout協同推薦法[4]互相比較 * 協同推薦(Collabrative Filtering) 用戶為本(User-based) 物品為本(Item-based) 模型為本(Model-based) 內容為本(Content-based) 知識為本(Knowledge-based) * 採物品為本推薦，觀察購物車已有商品進行推薦 推薦過程依賴事先建好的相似物品表 相似物品表建立演算法如下[2]： * //計算型錄中每樣物品I1和其餘物品I2相似度 For each item I1 in product catalog //分別統計所有物品和I1同時購買之次數 For each customer C who purchased I1 For each item I2 purchased by customer C Record that a customer purchased I1 and I2 //利用和I1同時購買之次數高低計算所有物品和I1相似度 For each item I2 Compute the similarity between I1 and I2 杜威十進圖書分類法[14] 美國國會圖書館圖書分類法[15] 例如：「GV943.49 .B5 1998」 中國圖書分類法[11] 例如：「 857.7 /8326 」 * Mahout [4]為一JAVA寫成具有運算可分散能力(scalable)的機器學習套件，能和 Apache Hadoop 分散式架構相結合，有效使用分散式系統來實現高性能計算。 提供協同推薦、分類和分群演算法 協同推薦包含用戶為本、物品為本和斜率1推薦法 * //計算用戶u尚未評價過的所有物品i之可能評價，回傳前面名次物品 for every item i that u has no preference for yet //計算其餘用戶v對物品i之評價，依照v,u相似度s加權，結合到u對i之評價 for every other user v that has a preference for i compute a similarity s between u and v incorporate v’s preference for i, weighted by s, into running average return the top items, ranked by weighted average GenericUserBasedRecommender類別[4] * GenericItemBasedRecommender類別[4] //計算用戶u尚未評價過的所有物品i之可能評價，回傳前面名次物品 for every item i that u has no preference for yet //計算用戶u對其餘物品j之評價，依照i,j相似度s加權，結合到u對i之評價 for every item j that u has a preference for compute a similarity s between i and j add u’s preference for j, weighted by s, to running average return the top items, ranked by weighted average * SlopeOneRecommender類別[4]