張宏升

摘要：本文通過(guò)介紹推薦算法的概念入手，根據(jù)推薦算法的劃分分類，從分類中選擇4中推薦算法應(yīng)用到圖書(shū)管理系統(tǒng)中進(jìn)行對(duì)比，發(fā)現(xiàn)組合推薦技術(shù)避免或彌補(bǔ)其他推薦技術(shù)的弱點(diǎn)，更適合應(yīng)用系統(tǒng)中，最后本文總結(jié)了4方法的優(yōu)劣，提供大家更準(zhǔn)確的選擇推薦算法，形成組合推薦算法。

關(guān)鍵詞：推薦算法;圖書(shū)管理系統(tǒng);組合推薦

1.推薦算法的概念

推薦算法通過(guò)一些數(shù)學(xué)算法，推測(cè)出用戶可能喜歡的東西，目前應(yīng)用推薦算法比較好的地方主要是網(wǎng)絡(luò)。所謂推薦算法就是利用用戶的一些行為，通過(guò)一些數(shù)學(xué)算法，推測(cè)出用戶可能喜歡的東西。[1]

2.推薦算法的劃分

推薦算法基本可劃分基于內(nèi)容、基于協(xié)同、基于關(guān)聯(lián)規(guī)則、基于效用、基于知識(shí)、組合推薦，下面我們就將基于內(nèi)容、基于協(xié)調(diào)、基于關(guān)聯(lián)規(guī)則的這三種算法應(yīng)用到圖書(shū)管理系統(tǒng)中進(jìn)行研究分析。

2.1基于內(nèi)容

基于內(nèi)容的推薦是在項(xiàng)目的內(nèi)容信息上建立的推薦應(yīng)用，并沒(méi)有考慮用戶的需求也就是用戶對(duì)項(xiàng)目的評(píng)價(jià)意見(jiàn)，其實(shí)它就信息過(guò)濾技術(shù)的延續(xù)和發(fā)展，更多地是從內(nèi)容的特征描述的事例中得到用戶的興趣資料，使用機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)。

在圖書(shū)管理推薦系統(tǒng)中，基于內(nèi)容的推薦算法依據(jù)項(xiàng)目或?qū)ο笫怯上嚓P(guān)特征的屬性定義的，系統(tǒng)通過(guò)用戶評(píng)價(jià)對(duì)象的特征來(lái)進(jìn)行機(jī)器學(xué)習(xí)用戶的興趣，常用的學(xué)習(xí)方法有決策樹(shù)、神經(jīng)網(wǎng)絡(luò)和基于向量，再對(duì)比用戶資料與待預(yù)測(cè)項(xiàng)目的匹配程度。基于內(nèi)容的用戶資料需要有用戶的歷史數(shù)據(jù)，用戶資料模型可能隨著用戶的偏好改變而發(fā)生變化，這一推薦算法能很好的建立用戶的喜好模型，但同時(shí)對(duì)歷史數(shù)據(jù)提出要求，當(dāng)數(shù)據(jù)越多用于的喜好模型的準(zhǔn)確度就會(huì)提高。

2.2基于協(xié)同

基于協(xié)同過(guò)濾的推薦算法推薦采用最近鄰技術(shù)，在圖書(shū)管理推薦系統(tǒng)中我們是先通過(guò)用戶的歷史喜好信息來(lái)計(jì)算用戶之間的距離，然后利用目標(biāo)用戶的最近鄰居用戶對(duì)商品評(píng)價(jià)的加權(quán)評(píng)價(jià)值來(lái)預(yù)測(cè)目標(biāo)用戶對(duì)特定商品的喜好程度，從而根據(jù)這一喜好程度來(lái)對(duì)目標(biāo)用戶進(jìn)行推薦。[2]這一算法是對(duì)推薦對(duì)象沒(méi)有特殊的要求，能處理如音樂(lè)、電影等這些非結(jié)構(gòu)化的復(fù)雜對(duì)象。

基于協(xié)同過(guò)濾的推薦算法的基本思想非常易于理解就像人和人之間，人們往往會(huì)利用好朋友的推薦來(lái)進(jìn)行一些選擇，該算法在圖書(shū)系統(tǒng)中若想要為一用戶找到他真正感興趣的內(nèi)容的好方法的時(shí)候，首先找到與此用戶有相似興趣的其他用戶，然后將他們感興趣的內(nèi)容推薦給此用戶。這一算法是從用戶的角度來(lái)進(jìn)行相應(yīng)推薦的，不需要用戶努力地找到適合自己興趣的推薦信息。

2.3基于關(guān)聯(lián)規(guī)則

基于關(guān)聯(lián)規(guī)則的推薦是以關(guān)聯(lián)規(guī)則為基礎(chǔ)，應(yīng)用在圖書(shū)管理系統(tǒng)進(jìn)行推薦時(shí)候，采用一種基于關(guān)聯(lián)規(guī)則的標(biāo)簽推薦方法，包括以下步驟：步驟1：建立窗口模型采集每個(gè)用戶所使用過(guò)的標(biāo)簽，并添加到標(biāo)簽事務(wù)集合，形成標(biāo)簽事務(wù)集合T;步驟2：利用最大頻繁項(xiàng)挖掘算法對(duì)標(biāo)簽事務(wù)集合T進(jìn)行頻繁項(xiàng)挖掘，得到頻繁共現(xiàn)的標(biāo)簽集集合F;步驟3：對(duì)所得頻繁共現(xiàn)的標(biāo)簽集集合F進(jìn)行挖掘找出標(biāo)簽集之間的關(guān)系，得到關(guān)于所找到標(biāo)簽集之間的關(guān)聯(lián)規(guī)則集合R，所述關(guān)聯(lián)規(guī)則集合R包括先導(dǎo)標(biāo)簽集及與其關(guān)聯(lián)的后繼標(biāo)簽集;步驟4：收集每個(gè)待推薦的用戶使用過(guò)的所有標(biāo)簽，得到關(guān)于每個(gè)用戶的標(biāo)簽集合;判斷所述標(biāo)簽關(guān)聯(lián)規(guī)則集合R中的先導(dǎo)標(biāo)簽集是否存在于用戶的標(biāo)簽集合中，當(dāng)判斷為存在時(shí)，將該條規(guī)則中先導(dǎo)標(biāo)簽集關(guān)聯(lián)的后繼標(biāo)簽集推薦給對(duì)應(yīng)用戶。其中，設(shè)置標(biāo)簽頻繁地同時(shí)出現(xiàn)的支持度和置信度;將滿足所設(shè)置的標(biāo)簽頻繁地同時(shí)出現(xiàn)的支持度和置信度的標(biāo)簽之間關(guān)聯(lián)及加入關(guān)聯(lián)規(guī)則集合R。

2.4組合推薦

基于各種推薦方法的優(yōu)缺點(diǎn)，在實(shí)際中組合推薦便成為人們較為青睞的使用方法，大部分應(yīng)用研究和應(yīng)用都是將內(nèi)容推薦于協(xié)同過(guò)濾推薦進(jìn)行組合，形成一個(gè)推薦的預(yù)測(cè)結(jié)果。在圖書(shū)管理系統(tǒng)我們就采取了這樣的推薦方式，就是分別用基于內(nèi)容的方法和協(xié)同過(guò)濾推薦方法組合形成一個(gè)推薦預(yù)測(cè)結(jié)果，然后用協(xié)同過(guò)濾推薦方法組合形成的推薦預(yù)測(cè)結(jié)果。這個(gè)思路是基于研究人員提出的元級(jí)別的組合思路完成的。

關(guān)于組合推薦的組合方式上，研究人員門(mén)得出了一下7種組合思路：

1）加權(quán)（Weight）：加權(quán)多種推薦技術(shù)結(jié)果。[2]

2）變換（Switch）;根據(jù)問(wèn)題背景和實(shí)際情況或要求決定變換采用不同的推薦技術(shù)。[2]

3）混合（Mixed）：同時(shí)采用多種推薦技術(shù)給出多種推薦結(jié)果，為用戶提供參考。[2]

4）特征組合（Feature Combination）：組合來(lái)自不同推薦數(shù)據(jù)源的特征被另一種推薦算法所采用。[2]

5）層疊（Cascade）：先用一種推薦技術(shù)產(chǎn)生一種粗糙的推薦結(jié)果，第二種推薦技術(shù)在此推薦結(jié)果的基礎(chǔ)上進(jìn)一步做出更精確的推薦。[2]

6）特征擴(kuò)充（Feature Augmentation）：將一種技術(shù)產(chǎn)生附加的特征信息嵌入另一種推薦技術(shù)的特征輸入中。[2]

7）元級(jí)別（Meta-Ievel）：用一種推薦方法產(chǎn)生的模型作為另一種推薦方法的輸入。[2]

3.總結(jié)

綜上所述，將4中推薦算法應(yīng)用到圖書(shū)管理系統(tǒng)中我們發(fā)現(xiàn)組合推薦就是通過(guò)組合來(lái)避免或彌補(bǔ)各自推薦技術(shù)的弱點(diǎn)，它可以彌補(bǔ)了其他推薦技術(shù)的各種問(wèn)題，達(dá)到了我們預(yù)設(shè)的結(jié)果，提高了系統(tǒng)的在推薦技術(shù)上的信任度和準(zhǔn)確度。因此，本文先給出各個(gè)推薦算法的詳細(xì)對(duì)比，讓讀者可以更準(zhǔn)確地有效地去應(yīng)用組合推薦算法。各個(gè)推薦算法的對(duì)比如下圖所示：

本文將4中推薦算法應(yīng)用到圖書(shū)管理系統(tǒng)，并給出了這四種推薦算法的優(yōu)缺點(diǎn)的詳細(xì)對(duì)比表，方便大家更準(zhǔn)確的選擇推薦算法，形成組合推薦算法，將組合算法的優(yōu)勢(shì)發(fā)揮到最大，做到通過(guò)組合各種推薦算來(lái)避免或者彌補(bǔ)各推薦技術(shù)的弱點(diǎn)。

基金項(xiàng)目：

項(xiàng)目編號(hào)：B2018400，項(xiàng)目名稱：圖書(shū)推薦系統(tǒng)徑向信任傳遞算法的應(yīng)用研究，項(xiàng)目類型：2018年湖北省教育廳科學(xué)研究計(jì)劃指導(dǎo)性項(xiàng)目

參考文獻(xiàn)：

[1]趙守香，唐胡鑫，熊海濤著.大數(shù)據(jù)分析與應(yīng)用：航空工業(yè)出版社，2015.12：第182頁(yè).

[2]楊旭，湯海京，丁剛毅編著.數(shù)據(jù)科學(xué)導(dǎo)論 第2版：北京理工大學(xué)出版社，2017.01：第58頁(yè).

（作者單位：武漢晴川學(xué)院）