基于OPAC的高校图书馆个性化图书推荐算法研究

摘要

高校图书馆是一所高校的文献信息中心，在这个知识的海洋里，一方面师生读者很难从中发现自己感兴趣的文献，另一方面大量少人问津的文献成为这一知识海洋中的“暗礁”，无法被用户轻易获取。用来方便读者网上查询馆藏资源的联机公共检索目录(Online Public Access Catalog，简称OPAC)，其信息库中保存着大量的读者检索及借阅信息，这些信息能充分揭示读者对馆藏资源的利用和需求，利用这些信息并结合相关推荐算法向读者推荐相关图书，可以更好地满足读者的信息需求。
　　 本文列举和了解目前常用的几种推荐算法，在分析高校图书馆读者特征及纸质资源特征的基础上，提出利用《中图图书馆分类法》来解决基于内容的推荐算法所存在的用关键词表达用户兴趣不精确和冷启动问题，利用《中图图书馆分类法》构建用户-项目分层评价矩阵来解决协同过滤推荐算法所存在的数据稀疏性问题，并将两种改进后的算法相结合，提出一种混合算法图书推荐策略，弥补了单一算法存在的不足。
　　 最后通过利用图书馆OPAC数据库中的相关读者信息进行实证研究，最后的实验结果证明，利用《中图图书馆分类法》对这两种推荐算法进行改进后，图书的推荐质量有了明显提高，有效解决了基于内容过滤算法存在的多义、同义词等语义问题和协同过滤算法存在的用户-项目评分数据稀疏，缺乏初始评价的问题。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 推荐系统在图书馆领域应用的研究

1．2．2 个性化图书推荐算法方面的研究

1．2．3 个性化图书推荐用户兴趣模型的研究

1．3 国内外图书推荐系统简介

1．3．1 斯坦福大学的Fab系统

1．3．2 人大数字图书馆个性化信息服务系统

1．3．3 加州大学Melvyl推荐系统

1．3．4 亚马逊网上书店图书推荐系统

1．4 论文组织结构及研究思路

1．4．1 论文组织结构及主要研究内容

1．4．2 论文研究思路

2 个性化图书推荐系统概述

2．1 个性化信息推荐主要算法

2．1．1 基于内容的推荐算法

2．1．2 协同过滤推荐算法

2．1．3 其他推荐算法简介

2．2 各种推荐算法的比较

2．3 个性化图书推荐算法的选择

2．3．1 高校图书馆产品及用户分析

2．3．2 各种算法于图书馆图书推荐的适用分析

2．4 图书馆个性化图书推荐策略的提出

3 基于内容的推荐改进方法

3．1 基于内容的推荐算法简介

3．1．1 基于内容的推荐算法推荐原理

3．1．2 基于内容的推荐算法推荐步骤

3．2 用户兴趣模型相关研究

3．2．1 用户兴趣常用表示方法

3．2．2 向量空间模型VSM介绍

3．2．3 VSM在个性化图书推荐中的问题分析

3．3 基于《中图法》的用户兴趣模型

3．3．1 《中国图书馆分类法》简介

3．3．2 用户兴趣模型的表述方法

3．3．3 用户初始模型的设定

3．3．4 用户兴趣模型的学习更新

3．3．5 图书描述及新书的推送算法

3．3．6 基于内容的推荐改进算法

3．4 改进算法的算例分析

3．4．1 实验数据

3．4．2 实验评估标准

3．4．3 实验设计

3．4．4 实验结果与分析

4 协同过滤的改进方法

4．1 协同过滤算法简介

4．1．1 协同过滤算法原理及分类

4．1．2 User-based协同过滤推荐步骤

4．1．3 协同过滤算法在个性化图书推荐中的问题分析

4．2 协同过滤评价矩阵的改进

4．2．1 多层次评价矩阵的提出

4．2．2 基于《中图法》的图书分层结构

4．2．3 基于《中图法》的多层次评价矩阵

4．3 协同过滤的改进算法

4．3．1 数据表示

4．3．2 用户相似度的计算

4．3．3 Top-N推荐的产生

4．4 个性化混合推荐算法的实现

4．4．1 目前常用混合推荐方式

4．4．2 个性化推荐混合策略的设计

4．4．3 混合推荐算法的实现

4．5 实证研究

4．5．1 实验数据

4．5．2 实验评估标准

4．5．3 实验设计

4．5．4 实验结果与分析

5 结论与展望

5．1 结论

5．2 展望

致谢

参考文献