基于改进联合相似度计算的图书推荐算法

doi:10.3969/j.issn.1006-2475.2019.03.016

计算机与现代化

基于改进联合相似度计算的图书推荐算法

(广东交通职业技术学院信息学院,广东广州510650)

收稿日期:2018-08-28 出版日期:2019-04-08 发布日期:2019-04-10
作者简介:李月(1979-),女,湖北荆门人,讲师，硕士,研究方向：深度学习，人工智能，E-mail: gdcply@qq.com；陈丽(1978-),女,湖南邵东人，讲师,硕士,研究方向：大数据，人工智能；王槐彬(1980-),男,讲师,硕士，研究方向：数据挖掘。
基金资助:
教育部职业院校信息化教学指导委员会2018-2020年信息化教学研究课题（2018LXB0301）

A Book Recommendation Algorithm Based on Improved Co-similarity Calculation

(School of Information, Guangdong Communication Polytechnic, Guangzhou 510650, China)

Received:2018-08-28 Online:2019-04-08 Published:2019-04-10

摘要/Abstract

摘要： 推荐系统可有效解决海量数据中的信息过载问题，为用户推荐感兴趣的信息。用户相似度计算是一种常用的推荐算法，但传统算法仅考虑用户-物品评分之间的相似性，忽略了用户固有特征对用户喜好的影响。考虑用户特征对推荐效果的影响，本文提出一种联合用户特征相似度及用户评分相似度计算的算法，采用F1衡量指标评价推荐效果的有效性。实验结果表明改进算法能有效提高推荐效果，取得更好的用户体验。

Abstract: Recommendation system can solve the information overload in mass data and recommend content that users are interested in. User similarity calculation is a common recommendation algorithm, but the traditional algorithm only considers the similarity between user-item ratings and ignores the influence of users’ inherent characteristics. This paper presents an algorithm combining user feature similarity with user-item rating similarity, and uses F1 indicator to evaluate the efficiency of the recommendation algorithm. The experimental results show that the improved algorithm can effectively improve the recommendation effect.

Key words: recommended system, similarity calculation, co-similarity calculation, improved algorithm, F1 indicator

中图分类号:

TP181

李月，陈丽，王槐彬. 基于改进联合相似度计算的图书推荐算法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2019.03.016.

LI Yue, CHEN Li, WANG Huai-bin. A Book Recommendation Algorithm Based on Improved Co-similarity Calculation[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2019.03.016.

参考文献

［1］侯银秀,李伟卿,王伟军，等. 基于用户偏好与商品属性情感匹配的图书个性化推荐研究［J］. 数据分析与知识发现, 2017(8):9-19.
［2］黄创光,印鉴,汪静，等. 不确定近邻的协同过滤推荐算法［J］. 计算机学报， 2010,33(8):1369-1377．
［3］孙光浩,刘丹青,李梦云. 个性化推荐算法综述［J］. 软件, 2017(7):70-78.
［4］刘建国,周涛,汪秉宏. 个性化推荐系统的研究进展［J］. 自然科学进展, 2009(1):1-15.
［5］唐晓波,周咏. 基于图书基因组的个性化图书推荐研究［J］. 图书馆学研究, 2017(2):76-85.
［6］张麒麟,姜霖. 基于文献内容的图书推荐机制研究［J］. 图书馆学研究, 2018(1):78-81，17.
［7］王政,郜鲁涛,齐伟恒,等. 基于FP_Growth和Slope_one的图书推荐［J］. 计算机技术与发展, 2018,28(9):83-87，93.
［8］ ADOMAVICIUS G, KWON Y O. Improving aggregate recommendation diversity using ranking-based technique［J］． IEEE Transactions on Knowledge and Data Engineering, 2012,24(5):896-911．
［9］黄立威,江碧涛,吕守业,等. 基于深度学习的推荐系统研究综述［J］. 计算机学报, 2018(3):1-30.
［10］郭晓慧. 基于改进协同过滤的图书推荐算法研究［J］. 情报探索, 2018(1):34-36.
［11］郑祥云,陈志刚,黄瑞,等. 基于主题模型的个性化图书推荐算法［J］. 计算机应用, 2015,35(9):2569-2573.
［12］严凡,张霁月. 基于图书语义信息的推荐方法研究［J］. 图书馆学研究, 2018(21):40-45.
［13］刘高军,李越洋. 基于借阅信息的图书个性化推荐算法研究［J］. 数字技术与应用, 2017（3）：156-158.
［14］王国霞,刘贺平. 个性化推荐系统综述［J］. 计算机工程与应用, 2012,48（7）：66-74.
［15］CHENG H T, KOC L, HARMSEN J, et al. Wide & deep learning for recommender systems［C］// Proceedings of the 1st Workshop on Deep Learning for Recommender Systems. 2016:7-10.
［16］赵杰. 基于改进用户兴趣模型的个性化图书推荐算法［J］. 机床与液压, 2018(6):193-198.
［17］肖迎元,张红玉. 基于用户潜在特征的社交网络好友推荐方法［J］. 计算机科学， 2018(3):220-224，254.
［18］黄贤英,龙姝言,谢晋. 结合用户兴趣度聚类的协同过滤推荐算法［J/OL］. （2018-08-21）.http://kns.cnki.net/kcms/detail/51.1196.TP.20180524.2109.032.html.
［19］杨秀萍. 融合用户评分和属性相似度的协同过滤推荐算法［J］. 计算机与现代化, 2017(7):16-19.
［20］朱振国,刘民康,赵凯旋. 基于用户联合相似度的推荐算法［J］. 计算机系统应用, 2018(5):126-132.
［21］McLAUGHLIN M R,HERLOCKER J L. A collaborative filtering algorithm and evaluation metric that accurately model the user experience［C］// Proceedings of the 27th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. 2004:329-336.
［22］陈彬,张荣梅. 智能推荐系统研究综述［J］. 河北省科学院学报, 2018,35(3):82-92.
［23］孙华艳,李业丽,字云飞,等. 协同过滤推荐算法的改进与研究［J］. 计算机技术与发展, 2018(10):44-48.

[1]	张宗海, 於跃成, 冯申. 融合三重注意力和评论评分的深度推荐算法[J]. 计算机与现代化, 2022, 0(05): 1-9.
[2]	邹梦苑, 樊志强, 徐珞, 刘洁, 梁万路. Inf-ProA信息活动过程模型相似性度量方法[J]. 计算机与现代化, 2022, 0(02): 26-32.
[3]	刘亦欣, 王家伟, 李自力. 融合注意力与深度因子分解机的时间上下文推荐模型[J]. 计算机与现代化, 2021, 0(11): 22-27.
[4]	陈卓, 袁玺明, 杜军威. 在线问答社区——海川化工论坛的回答者推荐算法[J]. 计算机与现代化, 2021, 0(10): 29-34.
[5]	王杉文, 欧鸥, 马万民, 陈建林. 基于用户信息向量聚类和改进SAMME的推荐算法[J]. 计算机与现代化, 2021, 0(07): 23-28.
[6]	欧阳宏基１，杨铎2. 基于微服务架构的学位论文写作辅助平台[J]. 计算机与现代化, 2019, 0(10): 34-.
[7]	谢浩然1，卫巍2，杨志辉3，邓居智1，葛坤朋1. 基于TF-IDF的新型广播电视节目协同推荐流程[J]. 计算机与现代化, 2019, 0(09): 65-.
[8]	黎丹雨. 基于多特征融合的电影推荐系统[J]. 计算机与现代化, 2019, 0(08): 121-.
[9]	黎丹雨,陈怡华. 一种多层多维的关联规则挖掘算法在推荐系统中的应用[J]. 计算机与现代化, 2019, 0(06): 44-.
[10]	饶钰，陈光，邱天. 一种改进的均方差协同过滤算法[J]. 计算机与现代化, 2019, 0(04): 6-.
[11]	刘春霞，陆建波，武玲梅. 一种电影推荐模型：解决冷启动问题[J]. 计算机与现代化, 2018, 0(11): 83-.
[12]	肖青秀1,2，汤鲲3. 基于双层注意力机制的深度学习电影推荐系统[J]. 计算机与现代化, 2018, 0(11): 109-.
[13]	梁艺，韩立新. 一种基于用户信任网络的物质扩散推荐算法[J]. 计算机与现代化, 2018, 0(02): 12-16.
[14]	杨秀萍. 融合用户评分和属性相似度的协同过滤推荐算法[J]. 计算机与现代化, 2017, 0(7): 16-19.
[15]	刘艺，冯钧，魏童童，陈志飞，徐欢，张立霞. 一种改进的协同过滤推荐算法[J]. 计算机与现代化, 2017, 0(1): 1-4+12.

基于改进联合相似度计算的图书推荐算法

A Book Recommendation Algorithm Based on Improved Co-similarity Calculation

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价