基于异质信息网络的图书跨域推荐方法

doi:10.3969/j.issn.1006-2475.2025.08.004

计算机与现代化 ›› 2025, Vol. 0 ›› Issue (08): 24-30.doi: 10.3969/j.issn.1006-2475.2025.08.004

基于异质信息网络的图书跨域推荐方法

（1.南通职业大学电子信息工程学院，江苏南通 226007； 2.吉隆坡大学信息技术学院，马来西亚吉隆坡 50250；
3.南京邮电大学计算机软件工程系，江苏南京 210023； 4.东南大学机械工程学院，江苏南京 210096）

出版日期:2025-08-27 发布日期:2025-08-27
作者简介: 作者简介：石丰源（1988—），女，江苏海安人，工程师，吉隆坡大学博士研究生，研究方向:数据挖掘，软件技术，E-mail: sfy@mail.ntvu.edu.cn；毛毅（1985—），女，陕西蓝田人，讲师，博士，研究方向:机器学习，E-mail: maoyi@njupt.edu.cn；焦磊（1983—），男，江苏南京人，助理研究员，博士，研究方向：数据分析，数字孪生技术，E-mail: jiaolei@seu.edu.cn。
基金资助:
基金项目：国家自然科学基金资助项目（62002174）；南通市科技计划项目（JCZ2022083）

Cross-domain Book Recommendation Method Based on Heterogeneous Information Network

（1. School of Electronic Information Engineering， Nantong Vocational University， Nantong 226007， China；
2. School of Information Technology， Universiti Kuala Lumpur， Kuala Lumpur 50250， Malaysia；
3. Department of Computer Software Engineering， Nanjing University of Posts & Telecommunications， Nanjing 210023， China；
4. School of Mechanical Engineering， Southeast University， Nanjing 210096， China）

Online:2025-08-27 Published:2025-08-27

摘要/Abstract

摘要：
摘要：针对目前学生书籍推荐模型中学习数据域数据稀疏和冷启动导致推荐算法准确率降低问题，提出一种基于异质信息网络的跨域推荐方法HeterCDR （Heter Cross-Domain Recommendation）。通过引入平移距离模型构造异质信息网络实现源域信息的建模，使用DANN模型实现源域信息向目标域迁移，将异质信息网络和跨域推荐相结合，从而实现目标域推荐准确度的提高。实验数据集采用某高职院校20级和21级学生相关数据。实验结果表明，HeterCDR模型相较于其他推荐模型，命中率平均提升了约3.35%，NDCG指标平均提升了约2.8%，RMSE指标平均下降了约2.65%。

Abstract:
Abstract: Aiming at the problem that the accuracy of the recommendation algorithm is reduced due to data sparsity and cold start in the learning data domain in the current student book recommendation model， a cross-domain recommendation method HeterCDR （Heter Cross-Domain Recommendation） based on heterogeneous information networks is proposed. The modeling of source domain information is realized by introducing the translation distance model to construct a heterogeneous information network， and the DANN model is used to realize the migration of source domain information to the target domain. The heterogeneous information network and cross-domain recommendation are combined to improve the accuracy of target domain recommendation. The experimental data set uses the relevant data of students from grade 20 to grade 21 of a higher vocational college. The experimental results show that compared with other recommendation models， the hit rate of the HeterCDR model is improved by about 3.35% on average， the NDCG index is improved by about 2.8%， and the RMSE index is reduced by about 2.65%.

Key words: Key words: book recommendation, heterogeneous information network, cross-domain recommendation, the network represents learning, transfer learning

中图分类号:

中图分类号：TP391

石丰源１, 2, 毛毅3, 焦磊4. 基于异质信息网络的图书跨域推荐方法[J]. 计算机与现代化, 2025, 0(08): 24-30.

SHI Fengyuan1, 2, MAO Yi3, JIAO Lei4. Cross-domain Book Recommendation Method Based on Heterogeneous Information Network[J]. Computer and Modernization, 2025, 0(08): 24-30.

参考文献

［1］潘文佳，费立美. 基于用户画像的图书推荐算法实证研究［J］. 四川图书馆学报， 2024（1）:35-39.
［2］王丽兰. 基于Apriori算法的高职院校图书精准推荐系统［J］. 河北软件职业技术学院学报， 2023，25（3）:6-9.
［3］柴源. 基于Word2vec的图书馆图书推荐系统的实现研究［J］. 电子设计工程， 2022，30（2）:7-10.
［4］王日花. 基于时间兴趣因子的网络表示学习图书推荐模型研究［J］. 情报工程， 2023，9（1）:118-127.
［5］卫秀敏，初丽媛，宋建群，等. 高职院校学生图书馆借阅率现状及提升对策［J］. 教育科学论坛， 2023（12）:76-80.
［6］李文海，许舒人. 基于Hadoop的电子商务推荐系统的设计与实现［J］. 计算机工程与设计， 2014，35（1）:130-136.
［7］ SONG B， GAO J. The enhancement and application of collaborative filtering in e-Learning system［C］// 5th Internationl Conference on Advances in Swarm Intelligence （ICSI 2014）. Springer， 2014：188-195.
［8］ GARCIN F， ZHOU K， FALTINGS B， et al. Personalized news recommendation based on collaborative filtering［C］// 2012 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology. IEEE， 2012:437-441.
［9］赵峰涛. 基于协同过滤算法的高校图书书目推荐系统设计［J］. 微型电脑应用， 2022，38（12）:67-69.
［10］ SUN Y Z， HAN J W. Mining Heterogeneous Information Networks: Principles and Methodologies［M］. Morgan & Claypool Publishers， 2012.
［11］ SPECIALE A， VALLERO G， VASSIO L， et al. Recommendation systems in libraries: An application with heterogeneous data sources［J］. arXiv preprint arXiv:2303.11746，
2023.
［12］ TAI C Y， WU M R， CHU Y W， et al. MVIN: Learning multiview items for recommendation［C］// Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval （SIGIR '20）. ACM， 2020:99-108.
［13］ BERKOVSKY S， KUFLIK T， RICCI F. Cross-domain mediation in collaborative filtering［C］// 11th International Conference on User Modeling. Springer， 2007:355-359.
［14］ HU G N， ZHANG Y， YANG Q. MTNet: A neural approach for cross-domain recommendation with unstructured text［C］// Proceedings of the 24th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. ACM， 2018.
［15］ LI P， TUZHILIN A. DDTCDR: Deep dual transfer cross domain recommendation［C］// Proceedings of the 13th International Conference on Web Search and Data Mining. ACM， 2020:331-339.
［16］ SUN C Q， GU J W， HU B B， et al. REMIT: Reinforced multi-interest transfer for cross-domain recommendation［C］// Proceedings of the 37th AAAI Conference on Artificial Intelligence. AAAI， 2023，37（8）. DOI:10.1609/aaai.v37i8.26181.
［17］ SU C， HU Z C， XIE X Z. Cross-domain recommendation based on heterogeneous information network with adversarial learning［C］// Proceedings of the 5th International Conference on Intelligent Systems， Metaheuristics & Swarm Intelligence. ACM， 2021:65-70.
［18］ ZHU F， WANG Y， CHEN C C， et al. Cross-domain recommendation: Challenges， progress， and prospects［C］// Proceedings of the 30th International Joint Conference on Artificial Intelligence. AAAI， 2021:4721-4728.
［19］ LIN Y K， LIU Z Y， SUN M S， et al. Learning entity and relation embeddings for knowledge graph completion［C］// Proceedings of the 29th AAAI Conference on Artificial Intelligence. AAAI， 2015，29（1）:2181-2187.
［20］ SEDHAIN S， MENON A K， SANNER S， et al. AutoRec: Autoencoders meet collaborative filtering［C］// Proceedings of the 24th International Conference on World Wide Web. ACM， 2015:111-112.
［21］ GANIN Y， LEMPITSKY V. Unsupervised domain adaptation by backpropagation［C］// Proceedings of the 32nd International Conference on Machine Learning. PMLR， 2015:1180-1189.
［22］李瑞征，赵加坤. 一种融合知识图注意神经网络的推荐算法［J］. 计算机应用与软件， 2024，41（3）:276-282.
［23］ YUAN F， YAO L N， BENATALLAH B. DARec: Deep domain adaptation for cross-domain recommendation via transferring rating patterns［C］// Proceedings of the 28th International Joint Conference on Artificial Intelligence. AAAI， 2019:4227-4233.
［24］张卫国，袁炜轩，周熙然. 融合深度去噪自编码器和注意力机制的推荐算法［J］. 计算机应用与软件， 2023，40（8）:283-290.

[1]	李佳. 基于迁移学习的乳腺癌组织病理图像分类诊断[J]. 计算机与现代化, 2025, 0(08): 89-96.
[2]	马永, 王俊, 张子健, 赵煜阳, 张靖, 周明. 面向智慧运维系统的改进YOLOv8行为检测算法[J]. 计算机与现代化, 2024, 0(08): 43-48.
[3]	周丽1,2，申国伟1,2，赵文波1,2，周雪梅1,2. 一种基于GAN的异构信息网络表示学习方法[J]. 计算机与现代化, 2020, 0(05): 89-.

基于异质信息网络的图书跨域推荐方法

Cross-domain Book Recommendation Method Based on Heterogeneous Information Network

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 3

编辑推荐

Metrics

本文评价