摘 要：針對(duì)傳統(tǒng)的協(xié)同過(guò)濾推薦算法在高校圖書(shū)推薦場(chǎng)景中存在缺乏顯性評(píng)分、推薦精度低等問(wèn)題，提出一種融合時(shí)間上下文的改進(jìn)協(xié)同過(guò)濾圖書(shū)推薦模型?；趫D書(shū)歷史借閱記錄，首先構(gòu)建基于借閱時(shí)長(zhǎng)的讀者—圖書(shū)偏好度模型，將讀者歷史借閱記錄中隱含的借閱偏好信息轉(zhuǎn)換成顯性的讀者—圖書(shū)評(píng)分;然后考慮讀者借閱偏好隨時(shí)間動(dòng)態(tài)變化因素，引入時(shí)間衰減因子對(duì)讀者—圖書(shū)評(píng)分模型進(jìn)行修正，最后應(yīng)用隱語(yǔ)義模型進(jìn)行個(gè)性化圖書(shū)推薦。

關(guān)鍵詞：時(shí)間上下文;協(xié)同過(guò)濾;圖書(shū)推薦

隨著高校圖書(shū)館藏圖書(shū)資源的日益增長(zhǎng)，面對(duì)海量館藏圖書(shū)，讀者常常陷入圖書(shū)信息過(guò)載難題[1]。現(xiàn)有的高校圖書(shū)借閱系統(tǒng)中僅提供基于信息檢索的服務(wù)，缺乏個(gè)性化圖書(shū)推薦模塊，但同時(shí)系統(tǒng)中累積的大量借閱記錄隱含著讀者的借閱偏好，具備了個(gè)性化圖書(shū)推薦的數(shù)據(jù)基礎(chǔ)。因此，如何利用好這些借閱記錄，挖掘讀者借閱偏好并進(jìn)行個(gè)性化圖書(shū)推薦，是當(dāng)下圖書(shū)推薦亟待解決的問(wèn)題。高校圖書(shū)館中圖書(shū)數(shù)量遠(yuǎn)大于讀者數(shù)量，基于圖書(shū)內(nèi)容的推薦算法不適用[2]。在高校圖書(shū)推薦場(chǎng)景中，現(xiàn)有的研究主要是在用戶協(xié)同過(guò)濾推薦算法[3]上加以改進(jìn)，該類算法僅基于目標(biāo)讀者的近鄰相似讀者進(jìn)行推薦，且在讀者借閱記錄稀疏的情況下推薦精度較低。同時(shí)該方法默認(rèn)讀者偏好不會(huì)隨時(shí)間推移而變化，而實(shí)際上讀者在不同時(shí)間段的借閱偏好是動(dòng)態(tài)變化的?；谝陨戏治觯狙芯繌囊宰x者歷史借閱記錄出發(fā)，選擇在Netflix Prize大賽中脫穎而出的隱語(yǔ)義模型（latent factor model，LFM）[4]作為基本算法，考慮讀者借閱偏好動(dòng)態(tài)因素，融入時(shí)間上下文以提高推薦精度。

1 LFM模型

LFM模型是時(shí)下最主流的協(xié)同過(guò)濾推薦算法，是一種基于模型的協(xié)同過(guò)濾算法。其主要原理是找到用戶和項(xiàng)目之間的關(guān)聯(lián)，并基于此構(gòu)建用戶興趣偏好進(jìn)行推薦。如公式所示：

2 融合時(shí)間上下文的改進(jìn)協(xié)同過(guò)濾圖書(shū)推薦模型

2.1 基于借閱時(shí)長(zhǎng)的讀者—圖書(shū)評(píng)分模型

協(xié)同過(guò)濾算法嚴(yán)重依賴評(píng)分矩陣，但現(xiàn)有的高校圖書(shū)管理系統(tǒng)中缺乏評(píng)分模塊，因此首先需要構(gòu)建讀者—圖書(shū)評(píng)分矩陣。一般來(lái)說(shuō)，讀者借閱圖書(shū)的時(shí)間越長(zhǎng)，表示其對(duì)該圖書(shū)的偏好度越高[6]。因此本文基于讀者借閱記錄，首先進(jìn)行數(shù)據(jù)預(yù)處理，將借閱時(shí)間超期記錄等數(shù)據(jù)作為噪聲刪除，得到讀者—借閱圖書(shū)的時(shí)長(zhǎng)矩陣，同時(shí)考慮讀者閱讀習(xí)慣和圖書(shū)借閱情況兩個(gè)維度構(gòu)建基于借閱時(shí)長(zhǎng)的讀者—圖書(shū)評(píng)分模型，并加權(quán)得到基于借閱時(shí)長(zhǎng)的讀者—圖書(shū)評(píng)分模型。

（1）考慮讀者閱讀習(xí)慣，構(gòu)建讀者—圖書(shū)借閱時(shí)長(zhǎng)的評(píng)分模型如下：

2.2 融合時(shí)間上下文的讀者—圖書(shū)評(píng)分模型

傳統(tǒng)的協(xié)同過(guò)濾方法假定讀者偏好是靜態(tài)不變的，但實(shí)際上讀者對(duì)借閱圖書(shū)的偏好是會(huì)隨時(shí)間變化的[7]。例如受學(xué)科及教學(xué)進(jìn)度影響，學(xué)生在大一時(shí)會(huì)更偏好借閱基礎(chǔ)課程的書(shū)籍，而大四的時(shí)候會(huì)更偏好借閱考研或就業(yè)類書(shū)籍。以讀者編號(hào)為21800300125的讀者為例，由于準(zhǔn)備計(jì)算機(jī)二級(jí)考試，他在2018年10月10日至2018年12月17日借閱了圖書(shū)《C語(yǔ)言程序設(shè)計(jì)》，借閱時(shí)長(zhǎng)累計(jì)77天，按照公式（9）可得likeui1=0.9245，同時(shí)根據(jù)公式（10）可得likeui2=0.8946，加權(quán)可得likeui=0.9095，可見(jiàn)該讀者對(duì)此圖書(shū)的評(píng)分很高。但隨著時(shí)間的推移，讀者學(xué)習(xí)進(jìn)度的推進(jìn)，直接以該評(píng)分為該讀者做當(dāng)下這個(gè)時(shí)間的圖書(shū)推薦顯然并不恰當(dāng)。因此，本文融合時(shí)間上下文，在原評(píng)分基礎(chǔ)上引入時(shí)間衰減因子，對(duì)上一節(jié)中提出的基于借閱時(shí)長(zhǎng)的讀者—圖書(shū)評(píng)分模型加以修正，進(jìn)而得到融入時(shí)間上下文的讀者—圖書(shū)評(píng)分模型。

相對(duì)來(lái)說(shuō)，讀者最近借閱的圖書(shū)更能代表其當(dāng)前時(shí)間的借閱偏好，這與人們的遺忘規(guī)律是相類似的。很多研究者通過(guò)各種函數(shù)擬合了艾賓浩斯遺忘曲線，本文選用了最常用的牛頓冷卻公式[8]，得到時(shí)間衰減因子：

2.3 模型實(shí)現(xiàn)流程

基于以上研究，提出了一種融合時(shí)間上下文的改進(jìn)協(xié)同過(guò)濾圖書(shū)推薦模型，首先基于借閱時(shí)長(zhǎng)構(gòu)建讀者圖書(shū)偏好度模型，將讀者歷史借閱記錄轉(zhuǎn)換成讀者—圖書(shū)顯性評(píng)分矩陣;然后考慮讀者偏好度隨時(shí)間的動(dòng)態(tài)變化，融入讀者還書(shū)行為的時(shí)間上下文，應(yīng)用時(shí)間衰減因子作為權(quán)重對(duì)讀者圖書(shū)評(píng)分進(jìn)行修正，得到修正的讀者—圖書(shū)評(píng)分矩陣;最后應(yīng)用LFM模型對(duì)目標(biāo)讀者進(jìn)行圖書(shū)TOPN推薦。

步驟1：根據(jù)讀者—圖書(shū)借閱記錄數(shù)據(jù)集，利用公式（11），將借閱記錄中的讀者隱含偏好信息轉(zhuǎn)換成基于借閱時(shí)長(zhǎng)的讀者—圖書(shū)評(píng)分矩陣;

步驟2：利用公式（13），融入時(shí)間衰減因子，將讀者—圖書(shū)評(píng)分矩陣轉(zhuǎn)換為融合時(shí)間上下文的讀者—圖書(shū)評(píng)分矩陣;

步驟3：隨機(jī)初始化得到讀者隱分類矩陣P、圖書(shū)隱分類矩陣Q;

步驟4：采用SGD進(jìn)行LFM模型訓(xùn)練，得到的P、Q矩陣，進(jìn)而得到讀者u對(duì)圖書(shū)i的基于LFM的預(yù)測(cè)評(píng)分;

步驟5：根據(jù)讀者u的預(yù)測(cè)評(píng)分輸出其TOPN本未借圖書(shū)列表進(jìn)行推薦。

3 小結(jié)

提出了一種融合時(shí)間上下文的改進(jìn)協(xié)同過(guò)濾圖書(shū)推薦模型。該模型的創(chuàng)新之處在于從讀者和圖書(shū)兩個(gè)維度構(gòu)建了基于借閱時(shí)長(zhǎng)的讀者—圖書(shū)評(píng)分模型，并考慮讀者借閱圖書(shū)偏好度的動(dòng)態(tài)變化，融合時(shí)間上下文進(jìn)行修正，最后應(yīng)用推薦精度高的LFM模型進(jìn)行圖書(shū)推薦。

參考文獻(xiàn)：

[1]李薛劍，劉夢(mèng)雅，海健強(qiáng)，吳雪揚(yáng)，余雪莉.基于時(shí)間效應(yīng)與隱語(yǔ)義模型的高校圖書(shū)館的個(gè)性化推薦研究[J].計(jì)算機(jī)應(yīng)用與軟件，2018，35（05）：130-134+189.

[2]翁小蘭，王志堅(jiān).協(xié)同過(guò)濾推薦算法研究進(jìn)展[J].計(jì)算機(jī)工程與應(yīng)用，2018，54（01）：25-31.

[3]Hill W，Stead L，Rosentein M，et al.Recommending and evaluating choices in a virtual community of use[C].Priceedings of CHI95.

[4]王升升，趙海燕，陳慶奎，曹健.個(gè)性化推薦中的隱語(yǔ)義模型[J].小型微型計(jì)算機(jī)系統(tǒng)，2016，37（5）：881-889.

[5]汪寶彬，戴濟(jì)能.隨機(jī)梯度下降法的收斂速度（英文）[J].數(shù)學(xué)雜志，2012，32（1）：74-78.

[6]魏港明，劉真，李林峰，張猛.加入用戶對(duì)項(xiàng)目屬性偏好的奇異值分解推薦算法[J].西安交通大學(xué)學(xué)報(bào)，2018，52（05）：101-107.

[7]梁思怡，彭星亮，秦斌，林偉明，胡振寧.時(shí)間上下文優(yōu)化的協(xié)同過(guò)濾圖書(shū)推薦[J/OL].圖書(shū)館論壇，1-11[2020-12-23].

[8]孫克雷，沈華理.基于用戶多種關(guān)聯(lián)信息和項(xiàng)目聚類的推薦算法[J].安徽理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，38（05）：57-64.

基金項(xiàng)目：2019年度安徽高校科學(xué)研究一般項(xiàng)目（項(xiàng)目編號(hào)：KJ2019H05）;黃山職業(yè)技術(shù)學(xué)院2019年校級(jí)質(zhì)量工程項(xiàng)目（項(xiàng)目編號(hào)：2019jxtd01）

作者簡(jiǎn)介：王子嵐（1984— ），女，安徽黃山人，講師，研究方向：計(jì)算機(jī)應(yīng)用技術(shù)。