劉莉

摘要：本文提出了一種基于并行化感知觸發(fā)因子的本體特征向量模型，研究重點在于書籍對用戶偏好模型表征用戶興趣的準確度和對潛在興趣的挖掘度，直接決定了資源推薦的準度和廣度等問題上，通過將本體感知因子形成的特征向量形成數(shù)據(jù)集，從而實現(xiàn)了并行算法結構處理過程。通過設置本體感知因子的特征向量以確定容量及結構范圍，形成的初始化特征因子會被定義在局部結構內進行分析和學習能力

關鍵詞：本體;觸發(fā)感知因子;特征向量模型

1 引言

隨著信息化時代的來臨，信息數(shù)據(jù)量正成幾何形式的增長，對于信息數(shù)據(jù)的處理工作成為當前科學研究前沿問題。以圖書館為例，在以往的圖書館信息管理中，僅存在于書籍目錄及簡單的數(shù)據(jù)庫儲存和搜索形式中。在發(fā)達國家，各級圖書館不僅實現(xiàn)了網(wǎng)絡化的統(tǒng)一管理模式，還將書籍信息進行了數(shù)字化處理，更能實現(xiàn)書籍信息內容的檢索和編譯。不僅如此，針對用戶的偏好，還可以更有針對性地向用戶推薦內容。就圖書館書籍服務內容來說，書籍推薦工作已經成為最重要的工作內容，還代表了圖書館科技建設水平的質量。

2 基于本體理論的書籍

在圖書館的書籍因其具有較強的知識方向性和更深的理論及應用價值受到更多地關注，但是在圖書館的書籍因知識面窄和熟知性低的問題往往不被廣大讀者所知，而對于有針對性需求的讀者又往往無法獲得有效推薦，所以在書籍的推廣上應作為圖書館書籍推薦研究工作的難點突破口之一進行解決。本文也正是基于以上問題，自足于書籍的推薦工作上，基于書籍的本體感知觸發(fā)技術應用與協(xié)同過濾方法的研究，總體上根據(jù)建立書籍本體構架，在模型中引發(fā)觸發(fā)機制進行信息搜集、處理和過濾，并據(jù)此向用戶推薦書籍。本文研究重點在于用戶偏好模型表征用戶興趣的準確度和對潛在興趣的挖掘度直接決定了資源推薦的準度和廣度等問題上。

對于書籍的本體模型的建立，首先根據(jù)書籍的各類書籍信息進行整理，然后帶入到圖書館藏書籍目錄中，形成信息化的數(shù)據(jù)資料，衍生的信息會被不斷的分化，逐步形成了本體的組件。對于書籍本體模型的描述中，以書籍知識領域、書籍信息、出版社信息等內容是作為本體固定信息存在的，這類信息內容自始至終不會更改，作為本體的基礎信息，對于書籍推薦效果也不會產生較大的影響。但更多地本體模型描述是依據(jù)不同環(huán)境的變化而改變的，例如：書籍借閱效果是隨著書籍借閱次數(shù)及書籍評價等內容影響的，而熱度也會受到專業(yè)學科動態(tài)信息等影響。

所以研究如何利用技術手段來實現(xiàn)書籍的推薦工作就要考慮到本體技術中對于動態(tài)信息的感知能力及辨別效果。

3 書籍推薦模型的建立

3.1 書籍推薦模型

書籍推薦模型的建立是依據(jù)與書籍相關知識內容的關聯(lián)產生的，這里的書籍信息和用戶信息被分別列為本體的感知因子，針對各類信息內容又會呈現(xiàn)出更多地感知因子，因此基于本體的感知因子因為聚類過程相互獨立且每次迭代相同任務，所以會形成龐大的粒子團，而隨著任務粒度增加，計算時間也相對越長。由于感知因子的數(shù)據(jù)對象彼此獨立，計算每個數(shù)據(jù)對象所屬的聚類，隨著聚類迭代次數(shù)增加，需要不斷更新聚類中心。針對以上情況，本文提出基于協(xié)同過濾算法，就是有效地支持迭代運算，提高算法效率。

3.2 書籍推薦流程

第一階段，針對協(xié)同過濾算法進行并行化設計與實現(xiàn)。本文通過將本體感知因子形成的特征向量形成數(shù)據(jù)集，從而實現(xiàn)了并行算法結構處理過程，對于以后的的解析過程也起到了結構性優(yōu)化的特征。通過設置本體感知因子的特征向量以確定容量及結構范圍，形成的初始化特征因子會被定義在局部結構內進行分析和學習能力，這樣就會不斷產生大量的數(shù)據(jù)信息，最終形成了初代特征向量因子團。

第二階段，在第一階段得到初代特征向量因子團的基礎上，帶入到初始化的聚類中心進行數(shù)據(jù)分析。首先，將各數(shù)據(jù)樣本分布至集群中的 n 個計算節(jié)點，并且將聚類中心借助函數(shù)使其在各個計算節(jié)點間實現(xiàn)共享。與此同時，針對每個數(shù)據(jù)分片，計算其與最近聚類中心的軌跡距離，并根據(jù)每個聚類中心計算屬于該聚類的數(shù)據(jù)之和，對每個節(jié)點的累加數(shù)據(jù)和進行合并求和，判斷sum和是否小于閾值，通過函數(shù)計算來完成更新聚類中心的操作，直到算法收斂或完成迭代從而輸出聚類中心和聚類結果。

第三階段，書籍推薦。首先對目標用戶進行判斷，如果是新用戶，則會根據(jù)系統(tǒng)熱度排行將流行度最高的N個書籍資源向新讀者進行推薦;如果是老用戶，則會根據(jù)聚類中心計算用戶所屬聚類，使用函數(shù)獲取目標用戶評分的項目信息，同時執(zhí)行持久化操作，計算聚類內用戶之間的相似度，從而通過函數(shù)過濾與目標用戶相似度最高的用戶信息，獲取目標用戶鄰域的用戶評價過的項目信息和目標用戶未評價過的項目信息，計算目標用戶對項目信息的預測評分，將評分最高的N個項目推薦給目標用戶。無論是新用戶還是老用戶在系統(tǒng)使用過程中的信息識別都會被累計到個人用戶信息庫中，形成了用戶信息特征庫，為日后的書籍推薦工作提供信息。

通過對于書籍推薦模型的建立，可以實現(xiàn)基于本體技術的特征化向量機的系統(tǒng)推薦功能，具備了智能化書籍推薦的能力，對于圖書館的推薦服務可以做到以用戶為單位的針對性推薦效果，可以讓每位用戶享受到細致化的服務感受。而且，隨著系統(tǒng)的信息量不斷增加，感知內容會不斷提高服務質量，讓圖書館與用戶雙雙受益。

4 總結

本文在基于本體感知技術的基礎上，提出了融合用戶興趣分布變化和特征差異的協(xié)同過濾推薦算法。通過設置本體感知因子的特征向量以確定容量及結構范圍，形成的初始化特征因子會被定義在局部結構內進行分析和學習能力，帶來了獲取信息的便利性，還能起到對其他推薦平臺的推廣作用。

參考文獻：

[1]Item-based top- N recommendation algorithms[J]. Mukund Deshpande，George Karypis. ?ACM Transactions on Information Systems （TOIS） . 2004 （1）

[2]Factorization meets the neighborhood：a multifaceted collaborative filtering model. Yehuda Koren. ACM SIGKDD International Conference on Know ledge Discovery and Data M ining . 2008

[3]基于用戶的協(xié)同過濾算法的改進研究[J]. 蘇林宇，陳學斌. ?軟件. 2017（04）

[4]一種基于自適應近鄰選擇的協(xié)同過濾推薦算法[J]. 彭玉，程小平. ?電腦知識與技術. 2016（16）

[5]基于項目評分預測的混合式協(xié)同過濾推薦[J]. 盈艷，曹妍，牟向偉. ?現(xiàn)代圖書情報技術. 2015（06）

[6]一種基于向量空間模型的模糊本體映射方法[J]. 張凌宇，陳淑鑫，張光妲，呂洪柱. ?計算機應用研究. 2014（05）

[7]基于本體理論的智能電網(wǎng)廣義數(shù)據(jù)管理模型[J]. 黃彥浩，周孝信. ?電力系統(tǒng)自動化. 2014（09）

[8]基于精確匹配的概念映射關系規(guī)則研究[J]. 鄧盼盼，常春. ?圖書情報工作. 2013（16）

[9]一種高效的多策略本體映射方法[J]. 姚曉明，王鋒，林蘭芬，朱曉偉，謝非. ?中國科技論文. 2013（07）

[10]圖解析方式的復合本體映射策略研究[J]. 凌仕勇，龔錦紅. ?華東交通大學學報. 2013（03）

[11]A content-collaborative recommender that exploits WordNet-based user profiles for neighborhood formation[J] . Marco Degemmis，Pasquale Lops，Giovanni Semeraro. ?User Modeling and User-Adapted Interaction . 2007 （3）

[12]Afelder and silverman learning styles model based personalization approach to recommend learning objects. BIROL CILOGLUGIL，MUSTAFA MURAT INCEOGLU. Computational Science and Its Applications-ICCSA . 2016.