原创《基于线性加权融合模式图书资源推荐方法》：这篇加权论文范文为免费优秀学术论文范文,可用于相关写作参考。
摘 要：随着计算机技术的发展,越来越多的书籍采用数字化方式进行出版,为解决信息过载,帮助读者快速查找到需要的图书资源,本文利用数字图书管理系统已有的用户信息、用户借阅等信息,采用线性加权融合模式,设计了一种基于图书资源内容过滤和用户隐式行为评分相混合的,并能应用于实际工程环境的图书资源个性化推荐模型,从而为读者提供快速、准确的个性化推荐服务.
关键词：资源推荐；内容过滤；隐式评分；线性加权融合
随着计算机技术的发展,越来越多的书籍采用数字化方式进行出版,数字图书资源已成为各级各类图书馆*的重点.面对指数级增长的数字图书资源,数字图书馆的建设已经从信息资源的数字化进入了信息整合、服务个性化的发展阶段；从用户被动查找数字图书到主动根据用户的兴趣和行为提供个性化的推荐服务.如何采用个性化推荐技术为读者提供快速、准确的图书推荐服务,是现代图书馆学研究的重点.
一、研究现状
近年来,电子商务领域的个性化推荐服务已有不少研究成果,并有研究成果应用于实际生产环境中.因此,有许多学者提出将数据挖掘相关技术应用到个性化图书推荐中,帮助读者快速、准确地找到自己想要的图书资源.通过对相关文献的分析和研究可以看出,目前国内对于图书推荐系统的研究,理论型偏多,主要通过以下3种方式实现图书资源的个性化推荐：第一种方式是分析用户的借阅历史,为用户推荐和其借阅记录中相类似的图书；第二种方式是挖掘用户的借阅行为,通过建立兴趣模型为用户推荐具有相似借阅行为用户的借阅信息；第三种是关联用户和图书的特征信息,通过发现用户和图书之间的关联特征或模式并生成关联规则,从而为用户推荐其可能感兴趣的图书等.从实现技术来看,针对以上3种方式提出了一些个性化的推荐技术,包括基于内容的个性化推荐、基于用户的个性化推荐、基于知识的个性化推荐以及组合推荐等.虽然目前已有多种推荐方法被用于个性化推荐领域,但是通过研究发现基于单一模式的推荐方式存在诸多的缺陷,现在有不少学者研究基于混合模式的推荐方法,通过组合尽可能地弥补和避免单一模式的弱点.从理论上讲,各种模式都可以组合,但是实际应用中,并不是所有的模式组合都会提升推荐的准确性,目前使用最多的是将内容推荐和协同过滤推荐相组合.在组合方式上,不同的组合方法适用于不同的应用场景,经过对文献的研究分析,可以将组合方式大致分为线性加权融合模式、交叉融合模式、瀑布型融合模式、特征融合模式、预测融合模式和分类器模式等5种.
线性加权融合模式简单易用,工程实现方便,常应用于实际生产环境.考虑到系统的应用场景和系统的复杂度,本文采用线性加权融合推荐模式,设计一种基于图书资源内容推荐和用户行为推荐相混合的推荐方式,对用户进行个性化图书资源推荐,有效地帮助用户发现自己感兴趣的图书资源,提高图书资源的流通利用率和用户满意度.
二、图书资源个性化推荐系统设计
本文设计的图书资源推荐系统基于原有图书管理系统中保存的大量用户基本信息、用户行为、读者评价等信息,首先根据图书资源内容进行推荐,在此结果上再根据用户隐式行为进行推荐,从而最大限度地利用系统已有的信息资源,实现图书资源的更加准确的推荐,具体系统流程图如下：
（一）用户数据管理和维护.用户是图书系统的服务对象和基础,因此用户数据是图书系统的基础,本文所指的用户数据包括用户基本信息数据和用户借阅历史数据.为了更好地为用户提供个性化推荐服务,需要对这些数据进行管理和维护.
（二）图书资源数据提取和管理.图书资源数据包括元数据和内容数据.图书资源的元数据,是指数字图书资源的基本描述信息,如标题、作者、出版社、书号、简介、关键字等数据.本文所设计的推荐系统将充分利用已有的图书管理系统,提取出图书资源的元数据,为实现基于内容的推荐做基本的数据准备；并在系统允许或者版权允许范围内提取出图书资料的内容信息,为更好地实现基于内容的推荐提供支持.
（三）图书资源内容相似度分析.图书资源内容数据主要是指数字图书资源的内容文本数据,本文主要涉及对中文数据内容的分析处理,经过分词、去停用词、关键词提取和内容相似度计算等步骤,得到图书资源内容的相似度值.
（四）用户隐式行为数据分析.用户行为数据指用户和管理系统进行交互时所产生的借阅记录、浏览记录、检索记录和*记录等数据.由于图书管理系统或者用户习惯的不同,目前在实际应用中对图书资源进行显式评分的情形还是比较少,这不利于对用户行为进行量化分析.对此本文采取隐式评分机制,通过制定较为合理的策略,将用户常见的对图书资源的非评分行为转化为评分行为,对数据进行分析和建模,将用户的行为作为隐式反馈来推测用户的兴趣,以弥补之前基于图书资源自身内容信息缺失的不足.
（五）图书资源个性化推荐.本文采用线性加权融合推荐模式,即首先采用基于图书资源内容的推荐技术产生推荐结果；再采用用于隐式行为的推荐方法产生推荐结果；最后根据两次的推荐结果采用线性加权方式得出个性化推荐结果列表.
三、图书资源内容相似度分析
基于图书资源内容的推荐首先面对的问题是中文文本数据的处理,经过分词、去停用词、特征的选择和提取、特征加权和内容相似度计算,构建图书资源内容的文本内容向量.
（一）分词.分词是中文信息处理的關键步骤,其主要作用是将中文文档处理为独立的特征.本文采用中文分词方法HanLP,该分词器性能高效,底层采用高速数据结构,能应用于实际生产环境中,采用极速分词模式能达到2000万字每秒.
（二）去停用词.去停用词即去掉文本中对于分类无用的信息以及一些在文档中频繁出现的字和词,如“的”、“地”、“得”等之类的助词.
（三）特征提取.目前通常采用向量空间模型来描述文本向量,在文本的向量空间模型表示方法中,如果直接采用分词算法得到的特征项来表示文本向量中的各个维,那么这个向量的维度将非常大,从而导致计算量太大,无法应用于生产环境.因此,在保证或提高性能的前提下,需要降低向量空间的维度,本文使用在信息检索领域广泛使用的常用TF-IDF算法进行关键词提取,降低向量空间维度,该算法简单快速,能应用于实际生产环境.
加权论文参考资料：
结论：基于线性加权融合模式图书资源推荐方法为关于本文可作为加权方面的大学硕士与本科毕业论文加权是什么意思论文开题报告范文和职称论文论文写作参考文献下载。
