基于关联规则和协同过滤的混合图书推荐算法.docx
版权申诉
140 浏览量
2022-05-30
16:08:30
上传
评论 1
收藏 13KB DOCX 举报
基于关联规则和协同过滤的混合图书推荐算法
文章结合关联规则挖掘和协同过滤算法的特点，根据图书馆的实际情况，提
出了混合图书推荐算法。将该算法应用于广大图书管理系统中，有助于提高用户
体验。
标签：关联规则；协同过滤；图书推荐
一、引言
现如今，应用大数据技术已成为时代的主流，但海量的数据能给我们提供什
么呢？答案是信息，而且是有价值的信息，能使我们提高工作效率。以图书馆为
例，传统图书馆管理系统中不仅有大量图书信息、用户信息，也有许多借阅者的
借阅信息，这就带来一个问题，这么多借阅信息能带来什么好处？通过数据挖掘，
我们就能从中很容易发现用户的一些兴趣偏好，并以此为依据，向用户推荐他 /
她可能感兴趣的书籍。
二、现状
推荐系统运用十分广泛，最常见的可能就是电商网站上的推荐系统。国内如
阿里旗下的淘宝、天猫等购物网站，同时网易云音乐在推荐系统方面也建树颇丰，
往往能向用户推荐可满足其喜好的音乐。在图书推荐领域，国内外专家学者在其
作品中也有涉及。如吉林大学李欣弘发表的《基于关联规则和情感分析的图书 推
薦算法研究》中就 介 绍了利 用 关联规 则 和情感分 析算法 实现图书推 荐，
F.Heylighen 的“Hebbian algorithms for a digital library recommandat 等 io。n system”
但是相对其他领域，推荐算法在图书推荐方面的应用还是相对较少的。
三、关键技术介绍
1.基于 KNN 的协同过滤推荐算法
邻居模型通常又称为 KNN 模型（K-nearest neighbors），KNN 算法的核心思
想是：如果一个样本在特征空间中的 k 个最相邻的样本中的大多数属于某一个类
别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分
类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
采用 KNN 方法进行类别决策时，只与极少量的相邻样本有关。相关性的计算本
例中使用的是 Pearson 相关系数。Pearson 相关系数考虑到不同用户的评分尺度问
题，将同一个用户对不同的项目评分进行归一化的处理，这样就可消除因由用户
个人主观因素而造成的对相似性结果的影响。结合本例 Pearson 相关系数公式如
下：
sim（i，j）=
资源评论
