一種基于混合推薦模式的圖書推薦系統(tǒng)

摘 要：針對傳統(tǒng)圖書館信息服務方式的不足，本文提出了一種基于混合推薦模式的圖書推薦系統(tǒng)，即結合了基于內容的推薦，基于關聯規(guī)則的推薦和基于協同過濾的推薦方法來產生推薦結果。本文詳細闡述系統(tǒng)設計方案和這種混合推薦模式的實施方案，最后對系統(tǒng)的運行情況進行了總結，并提出了將來的研究方向。

關鍵詞：推薦系統(tǒng)；基于內容的推薦；關聯規(guī)則推薦；協同過濾推薦；混合推薦

中圖分類號：TP319

在傳統(tǒng)的圖書館服務中，用戶主要通過搜索來獲取所需信息，這是一種被動的服務方式，只能滿足用戶的基本需求。和搜索相比，推薦系統(tǒng)能夠通過研究用戶的歷史行為，發(fā)現用戶的興趣偏好，據此主動為用戶提供推薦服務，不但可以使用戶獲得滿意的結果，還能引導用戶發(fā)現自己潛在的信息需求。將推薦技術應用于圖書館系統(tǒng)，是圖書館實現信息服務的有效手段，可以提高圖書館的服務質量和圖書資源的利用率。本文提出了一種基于混合推薦模式的圖書推薦系統(tǒng)，結合了基于內容的推薦，基于關聯規(guī)則的推薦和基于協同過濾的推薦方法來產生推薦結果。

1 系統(tǒng)設計

1.1 系統(tǒng)的體系結構

本文提出的基于混合推薦模式的圖書推薦系統(tǒng)的體系結構如下圖所示：

圖1 圖書推薦系統(tǒng)的體系結構

該體系結構把系統(tǒng)主要分成4個模塊：

（1）數據庫模塊：存儲和管理用戶和圖書的基本信息數據。

（2）數據處理模塊：對數據進行預處理和特征提取，分別建立3個特征庫。根據用戶對圖書的借閱信息，建立用戶借閱特征庫；根據用戶/圖書的描述信息，建立用戶/圖書特征庫；根據用戶對圖書的評分信息，建立用戶評分特征庫。

（3）推薦模塊：采用了基于關聯推薦，內容推薦和協同過濾推薦的混合推薦模式來產生推薦書目列表。

（4）用戶接口模塊：獲取用戶與系統(tǒng)的交互信息，并將推薦書目結果展現給用戶。

1.2 推薦模式設計

推薦算法是一個推薦系統(tǒng)中最核心和關鍵的部分，很大程度上決定了推薦系統(tǒng)類型和性能的優(yōu)劣[1]。由于各種推薦算法都有各自的優(yōu)缺點，為了改善推薦質量，本文采用了一種混合推薦模式，結合了基于內容的推薦，基于關聯規(guī)則的推薦和基于協同過濾的推薦方法來產生推薦結果。

1.2.1 基于內容的推薦

在系統(tǒng)運行初期，只有用戶和圖書的基本信息數據，沒有用戶的行為數據?；趦热莸耐扑]方法，利用用戶的特征信息，如教師用戶所屬教研室信息，學生用戶的專業(yè)信息，圖書的類別，主題，書名等信息來建立用戶/圖書特征庫，通過簡單的匹配來產生推薦書目。這一方法可以為新用戶推薦圖書，新入館的圖書也可以獲得均等的推薦機會。但是，這種方法產生的推薦結果非常粗糙，不能準確反應用戶的興趣。本系統(tǒng)運行初期，主要利用這種方法來引導用戶行為，后期則只是作為補充。

1.2.2 基于關聯規(guī)則的推薦

在系統(tǒng)運行期間，當用戶利用系統(tǒng)借閱圖書時，就已經在系統(tǒng)產生用戶行為數據。對用戶借閱圖書的信息進行分析，可以發(fā)現兩類關聯規(guī)則：相關圖書和相關用戶。以發(fā)現相關圖書規(guī)則為例進行說明。假定表1是用戶借閱圖書的事務記錄。

表1 用戶借閱圖書事務記錄

讀者證號借閱圖書記錄

0001Android程序設計，Java程序設計，Java EE 6權威指南

0002Android程序設計，JavaScript程序設計

0003JavaScript程序設計，IT項目管理

0004Android程序設計，Java程序設計，JavaScript程序設計

0005Android程序設計，Java程序設計，JSP程序設計，JavaScript程序設計，Java EE 6權威指南

0006Java程序設計，JSP程序設計，Java EE 6權威指南

0007Java程序設計，Java EE 6權威指南，JSP程序設計，

給定最小支持度minsup=30%和最小置信度minconf=80%，則下面這條關聯規(guī)則是符合要求的（sup是支持度，conf是置信度）：

《Java程序設計》，《JSP程序設計》→《Java EE 6權威指南》

根據上述規(guī)則，就可以給以后借閱過《Java程序設計》和《JSP程序設計》的用戶推薦《Java EE 6權威指南》這本書。

本系統(tǒng)運行中，當數據量比較小的時候，基于關聯規(guī)則的推薦還是可以產生比較準確的推薦結果。但是，當數據規(guī)模擴大的時候，由于規(guī)則的產生比較繁瑣，所以對推薦性能的影響較大。而且，在這個過程有可能產生冗余規(guī)則，出現重復推薦的情況。

1.2.3 基于協同過濾的推薦

協同過濾根據用戶對項目的評分來產生推薦，是目前在推薦系統(tǒng)中應用最成功和廣泛的推薦技術[2]。根據推薦產生過程的不同，通常可以將協同過濾算法分為基于內存的算法和基于模型的算法?；趦却娴膮f同過濾的推薦算法是直接將整個用戶-項目評分矩陣加載到系統(tǒng)內存，基于相似的用戶或項目來產生推薦結果。根據相似性計算的對象的不同，又可以分為基于用戶的算法和基于項目的算法。本系統(tǒng)主要采用了基于用戶的協同過濾算法來產生推薦結果。根據算法的基本原理，可以把算法的實施分為四個階段：（1）用戶相似性計算；（2）選擇近鄰；（3）預測評分；（4）推薦?；趨f同過濾的推薦算法，實施簡單有效，可以發(fā)現用戶潛在的但自己尚未覺察的興趣偏好。但是，當用戶的評分數據較少時，這一方法無法產生推薦結果。當系統(tǒng)的數據規(guī)模不斷擴大之后，推薦的效率又會受到影響。由于本系統(tǒng)的數據規(guī)模不大，基于協同過濾的推薦方法是系統(tǒng)運行中后期的主要推薦技術。

1.2.4 混合推薦模式

本文采用的混合推薦模式，主要是對上述三種方法推薦結果的加權組合。假定N1為基于內容的推薦結果，N2為基于關聯規(guī)則的推薦結果，N3為基于協同過濾的推薦結果，則最終的推薦結果計算如下：

N=a*N1+b*N2+c*N3，其中參數a+b+c=1 （1）

在系統(tǒng)運行初期，主要采用基因內容的推薦，即a=1，b=c=0。當用戶的借閱記錄和評分記錄大于2的時候，開始啟動基于關聯規(guī)則的推薦和基于協同過濾的推薦。通過對參數的調試，發(fā)現當參數a和b取值較小，特別是c取值超過50%的時候，推薦的結果相對比較準確。這說明基于協同過濾的推薦結果更加符合用戶的需求，而另外兩種方法可以作為補充。

2 總結和展望

本文提出了一種基于混合推薦模式的協同過濾圖書推薦系統(tǒng)，可以主動為用戶提供圖書推薦服務。從系統(tǒng)實際運行效果來看，這種模式可以彌補各種推薦方法的不足，為用戶產生比較準確的推薦結果。但是，隨著系統(tǒng)數據規(guī)模的不斷擴大，系統(tǒng)實時推薦效率有所下降。為了解決這個問題，還需要考慮引入其他推薦方法，比如基于模型的協同過濾算法。此外，在混合推薦模式中，本文只采用了最簡單的加權組合方法。如何有效組合這些推薦方法，提高推薦精度，也是值得研究的方向。

參考文獻：

[1]許海玲，吳瀟，李曉東.互聯網推薦系統(tǒng)比較研究[J].軟件學報，2009（02）：350-362.

[2]Adomavicius G and Tuzhilin A.Towards the next generation of recommender systems：A survey of the state-of-the-art and possible extensions[J].IEEE Transactions on Knowledge and Data Engineering，2005（06）：734–749.

作者單位：廣東東軟學院，廣東佛山 528225