论文研究-基于标签和关联规则挖掘的图书组合推荐系统模型研究.pdf

所需积分/C币:12 2019-07-22 21:23:34 650KB .PDF
收藏 收藏 1
举报

针对数字图书馆资源增加致使用户难以获取感兴趣图书资源的问题,提出了一种基于标签和关联规则挖掘的图书组合推荐系统模型。该模型整合了基于内容推荐和协同过滤推荐的优点,利用标签系统对图书内容进行语义分析,使用关联规则挖掘技术发现相似用户,并设计了组合推荐模型各功能模块结构及其算法。实验结果表明,组合推荐模型与算法优于其他图书推荐算法,获得了较高的推荐准确性。
2392· 计算机应用研究 第31卷 荐模块产生的推荐结果进行综合,并将最终推荐图书通过人机对两者的评价结果进行综合,其数值越大则推荐算法越准确 交互界面反馈给用户。首先,从基于内容推荐模块取得备选标 FI 2xPx×Re 签集,对标签集进行提取分析,生成含有备选标签的图书集;然 Pr+re 后,推荐结果生成器对协同过滄推荐模块中得到的相似用户集 在木文的实验中,将协同过滤推荐模块中基木关联规则支 进行比对,从图书集中选出相似用户感兴趣的图书;最后,将经持度阙值分别设为:规则1,0.005;.则2,0.005;规则3, 过过滤的图书集推荐给目标用户。 0.0009:规则4,0.0005。实验结果如表3所示,分别计算了 CBR、CFR以及本文提出的组合推荐算法在三组实验中的推荐 2.4图书推荐模型工作流程 评价值。为了与其他图书推荐算法比较,表2中还包括了文献 图1用数字标注了图书推荐系统模型的工作流程。下面[17-提出的推荐算法计算结果。计算结果表明,本文提出的 对推荐过程的具体实过程如卜: 组合推荐算法在三组实验中的FⅠ权值均明显优于其他三种推 a)月户提出图书查询请求。 荐算法,而组合推荐算法与CB算法在召回率评价中的计算 b)相似用户查洵器为月标用户查找相似用户集,本过程通过对指结果差别不人,但明显高于CFR算法,这是由于CBR算法对 荐系统用户数据库中具有相同感兴趣图书的用户进行过滤完成 c)关联规则生成器使用表1中的规则获得更多相似用户。 相似祘签进行了词义消歧处理,通过获取标签上下文环境提高 d)保有得到的相似用户集。 了推荐系统的查全率。另外,横向比较来看,实验1的F1权值 e)根据用户查询请求,标签上下文环境生成器查找匹配用户请求大于另外两组实验的Fl权值,这是由于类型1和3的用户在 的图书标签,并生成相似标签的上下文环境。 实验中占的比重比较大,而上述两种类型的用广文档为推荐系 f)标签上下文环境生成器从 WordNet词汇体数据库屮提取相似 统提供了比较允足的信息数据。 标签的语义 表3不同推荐算法在三组实验中的准确率、召回率和F权值 g)词义消岐处理器采用 Leacock- Chodorow算汏计算相似标签之问 的相似度,分析所有标签在上下文环境中的语义,并对每个语义返回相 推荐算法Pr/% 实验1 实验2 似度值。 16.35850.2712.33790.2112. h)得到备诜标答集,集合中的标签与杳询图书标签有最高的相似 17.2235690.2310260.1411.1533.330.17 度值。 ECRS1720.3675.360.3220.6955.50.3016.5873.270.27 推荐结果生成器对备选标签集标注的图书进行查询。 570.4624.06740.3627.09860.41 推荐结果生成器对相似用户感兴趣的图书进行过滤。 支持度值规1:00052:0.002,.规则3:0.09.规则4:0.005 k)综合步骤ⅱ和j得到的结果,生成最终的推荐图书集。 由于评价指标值与五种类型用户在实验中的比重有很人 组合推存模卖 的关联,木文对五种类型用户在三组实验中的F1权值进行了 计算,计算结果如表4所示,依据这些实验结果设计了用户 生成番 似用户榘 户数据 比重 表4五种类型用户在三组实验中的权值 签上下 实验3 体数据库 用广类型 结 CBR CFR HR CFR HE CBR CFR HR 类型10.170.350.48 0.260.390.120.370.65 图」基于标签和关联规则挖掘的图书组合推荐模型架构 类型20.200.290.590.I0.150.470.190.240. 类型30.340.310.380.090.160.300.510.070.33 类型40.280.320.460.180.180.450.270.140.34 3实验结果及分析 类型 0.120.1200.150.1500.240.24 本文采用 Book Crossing数据集作为实验数据,它包含4结束语 了 Book crossing图书社区278858个用户对271379本图书的 1149780项评分,泙分中有显性特征数据和隐性特征数据,是 信息过载使得用户在数字图书馆中查找图书的效率下降 由 Cai- Nicolas Ziegler使用爬虫程序采集的。为了在基于内容本文提出了一种基于标签和关联规则挖掘的图书组合推荐模 推荐模块中分析图书标签,对数据集中的图书与豆瓣网站进行型。模型对图书标签进行了语义分析,利用词义消歧算法获得 了链接处理,将豆瓣网站中的图书标签数据加入到数据集中。了相似标签集,能够为最终的推荐结果提供更多的相关推荐信 另外,根据用户访问图书社区的频率及评价参与度,将所有用息。此外,采用关联规则挖掘技术发现相似用户,避免了对用 户分为五种类型(类型1,积极评价用户;类型2,偶尔评价用户评分数据的依赖,并能有效分析用户的隐形特征数据,而且 户;类型3,经常访问用户;类型4,偶尔访问用户;类型5,消极CB和CFR算法的综合使用,避免了传统推荐系统存在的数 使用用户),并分析不同类型用户比重对推荐结果的影响。表据稀疏性和冷启动冋题。经实验验证,不模型能够冇效地提高 2显示了每种用户类型在三组实验中所占的比重。 图书推荐的准确性,满足用户图书借阅的个性化需求。卜一步 表2不同类犁用户在三组实验中的比重 的研究工作包括设定更合埋的关联规则及其阈值,并有效利用 实验/用户类型类型1/%类型2/%类型3/%类型4/%类型5/%推导规则挖掘相似用户,提高推荐系统的智能化程度;另外,还 实验1 实验2 需要硏究组合推荐模型在数字图书馆其他信息资源搾荐中的 实验 152010应用满足整个数字图书馆的个性化服务需求。 本文通过计算准确率( precision,Pr)、召回率(recl,Re)和参考文献: HI- Measure(F1)值对算法的推荐效果进行评价,其中,准确率「 I CRESPOAR G, MARTINEZB O S, LOVELLEB J M C,etal. Recom 和召回率存在负相关关系,而Fl则是两者的调和平均数,可以 mendation system based on user interaction data applied to intelligent 第8期 李,等:基于标签和关联规则挖掘的图书爼合推荐系统模型研究 2393 electronic books J] Computers in Human Behavior, 2011, 27 [10 MUSTO C, NARDUCCI F, LOPS P, et al. Content-based personaliza (4):1445-1449 tion scrviccs integrating folksonomies[ C ]//Proc of the 10th Intcrna [2]王翠萍,杨冬栴.知识门户的个性化服务现状及优亿研究[J].中 tional Conference on E-Commerce and Web Technologies. Berlin 国图书馆学报,200,35(5):117-122 Verlag,2009:217-228. [3 PERA M S, CONDIE N, NG Y K Personalized book recommendations [11] KIM H K, OH H Y, GU J C, et al. Commenders: a recommendation created by using social media data[ C//Proc of International Confere- procedure for online book communities[J]. Electronic Commerce nce on Web Information Systems Engineering. Berlin: Springer-Verlag Research and Applications, 2011, 10(5): 501-509 2011:390-403. [12] SIEG A, MOBASHER B, BURKE R Improving the cffcctivcncss of [4] KUROIWA T, BHALLA S Dynamic personalization for book recom collaborative recommendation with ontology-based user profiles[C]// mendation systcm using Wcb scrviccs and virtual library enhancements Proe of the I st International Workshop on Information Hctcrogencity [C]//Proc of the 7th IEEE International Conference on Computer and Fusion in Recommender Systems. New York: ACM Press, 2010 and Information Technology. Washington DC: IEEE Computer Society 39-46 2007:212-217 [13] RONG Wen-ge, LIU Ke-cheng, LIANG Lin. Personalized Web service [5 HWANG S Y, CHUANG S M. Combining article contcnt and Wcb ranking via uscr group combining association rule[ C. //Proc of IEEE usage for literature recommendation in digital libraries[ J. Online In International Conference on Web services. 2009. 445-452 formation Review, 2004, 28(4 ): 260-272 14] HE Kc-qin, HE Liang, LIN Xin, et al. Social vicw based uscr modeling [6 VELLINO A, ZEBER D. A hybrid, multi-dimensional recommender for for recommendation in tagging systems by association rules[C]// journal articles in a scicntific digital library[ C]//Proc of IEEE/ WIC of thc 2nd Intcmational Workshop on Intelligent Systcms and Applica- ACM Inlernalional Conferenice on Weh Inlelligene: e and Irlelligenl on≤.2010:15 gent Technology. Washington DC: IEEE Computer Soceity, 2007: 15] VAZ P C, De MATOS D M, MARTINS B, et al. Improving a hybrid 111-114 literary book recommendation system through author ranking[C]// [7 PINTO M A G, TANSCHEIT R, VELLASCO M. Hybrid rccommcnda Proc of the 12th ACM/TEEE-CS Joint Confcrcnec on Digital Libraries tion system based on collaborative filtering and fuzzy numbers [c// Proc of IEEE International Conference on Fuzzy Systcms 2012: 1-6. [16] PATHAK D, SANDEEP M, MURTHY C N S. NOVA: hybrid bo [8 KNOCH S, KRONER A. Visualizing Ihe: im cl of cimlenl-lased sirri- rero'mmenlalion engine[C]//Proc of the 3nl IEEF. Internal ional Ad larity and spatial distance on book recommendations [Cl//Proc of vance Computing Conference. 2013: 977-982 IADIS Inlernalioral Conlerence or Interlac es all Hurman Compuler[17]汪彦红.基于组合算法的个性化推荐系统的研完和应用[D].长 Interaction. 2011: 345-350 沙;湖南大学,201 [9]林源.英文短文木相似性研究及在图书推荐中的应用[D].北京:[18] Book crossing data sets[DB/OL].[200505-0].htp:/ww.in 北京林业大学,2010 formatik. uni-frciburg de/--czieglcr/BX/. (上接第2389页) 9 SIllll YY, LIU Duen-ren Product recommendation approaches: col- 参考文軾 borative filtering via customer lifetime value and customer demand [1] WANG Qian, ZHANG Xiao-bin, SUN Min, et aL. Credibility-based col- [J]. Expert System with Application, 2008, 35(1-2): 350-360 laborative filtering recommendation algorithm[J ]. Journal of Infor [1O] HWANG C S, FONG R S. A hybrid recommender system based on mation and Computational Science, 2010, 7(1): 259-268 collaborative filtering and cloud model[ J]. World Academy of [2]许海玲,吴潴,李晓东,等.互网推荐系统比铰研究[J].软件学 Science, Engineering and Technology, 2011, 75: 500-505 报,2009,20(2):350-362. [11 WANG Jun, De VRIES A P, BEINDERS M J T Unifying user-based [3 BOBADILA J, ORTEGA F, HERNANDO A, et al. Generalization of and ileImI-hastdl collaborative filtering approaches by similarily fusion recommender systems: collaborative filtering extended to groups of u [C]// Proc of the 29 th Annual Intcmational ACM SIGIR Confcrcncc ers and restricted to groups of items[ J]. Expert Systems with Appli on Research and Development in Information Retrieval. New York cations,2012,39(1):172-186 ACM Press,206:501-508 [4 SHEN Lei, ZHOU Yi-ming. A new user similarity measure for colla 12] CHOI K, SUH Y. A new similarity function for selecting neighbors for boralive filtering algorithm[C]//Proe of the: 2nd Irlermialional Confere- each laryel ilen in collaborative filtering[ J]. Knowledge-Based ce on Computer Modeling and Simulation. Washington DC: IEEE Systems,2013,37:146-153 Coruwuler Sociely, 2010: 375-379 [13]李霞,李守伟.面向个性化推荐系统的二分网终协冋过滤算法研 「5贾冬艳,张付志基于双重邻居选取策略的协同过滤推算法 究[J].计算机应用研究,2013,30(7):1946-1949 [冂].计算机研究与发展,2013,50(5):1076-1084 [14 YAMASHITA A, KAWAMURA H. Adaptive fusion method for user [61 ABERNETHY J, BACH F, EVCENIOU T, ct al. A new approach to col hased and ilelml-based collaburalive filtering J. Advances in Com- leriny: operator eslirmal ion wilh specIral regularization[ J] plex System,2011,14(2):133-149 The Journal of Machine Learning Research, 2009, 10: 803-826 [15]罗辛,欧阳元新,熊璋,等.通过相似度攴持度优仁基于K近邻的 [7]王立才,亚祥武,张玉洁,上下文感知推荐系统J].软件学报, 协冋过滤算法[冂].计算机学报,2010,33(8):1437-1445 2012,23(1):1-20 [16]李聪,梁昌勇,萱珂.基于项目类别相似性的协冋过滤推荐算法 [8 LUO Heng, NIU Cang-yong, SHEN Rui-min, et al. A collaborative fil- [冂].合肥工业大学学报:自然科学版,2008,31(3):360-363 tering frameword bascd on both local uscr similarity and global uscr「I7]黄创光,印鉴,汪静,等.不确定近邻的协同过滤推荐算法「J1.计 similarity[ J]. Machine Leaning, 2008, 72(3): 231-245 算机学报,2010,33(8):1369-1376

...展开详情
试读 4P 论文研究-基于标签和关联规则挖掘的图书组合推荐系统模型研究.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    img

    关注 私信 TA的资源

    上传资源赚积分,得勋章
    最新推荐
    论文研究-基于标签和关联规则挖掘的图书组合推荐系统模型研究.pdf 12积分/C币 立即下载
    1/4
    论文研究-基于标签和关联规则挖掘的图书组合推荐系统模型研究.pdf第1页
    论文研究-基于标签和关联规则挖掘的图书组合推荐系统模型研究.pdf第2页

    试读已结束,剩余2页未读...

    12积分/C币 立即下载 >