高校数字图书馆个性化服务模型的研究与设计

发布时间：2020-12-21 21:00

　　数字图书馆中包含了海量信息，在如此庞大的资源中容易陷入“信息迷航”。为解决“信息迷航”问题，个性化服务应运而生，但目前数字图书馆的个性化服务大部分不能满足用户多样化和个性化的需求，缺乏主动推送式的个性化服务。如何根据用户个人的兴趣，将用户真正感兴趣的信息主动提供给他，使之能真正做到“各得所需”，才是个性化服务系统的核心。通过对国内外个性化服务关键技术的研究，重点分析了主流协同过滤技术的原理、特点和方法之后，得出在数字图书馆领域，协同过滤机制虽能优化个性化服务。但随着数字图书馆应用越来越广泛，用户数目和数量都急剧增加，用户评分数据稀疏的问题愈加明显，难以判定合乎规范的相似用户群，因而协同过滤的质量急剧下降。针对传统协同过滤算法不适合描述用户兴趣完整性的缺陷，提出了基于数字图书馆的用户建模方法，把对用户兴趣的分类转化为对中图项目的选择，并引入中图项目兴趣权重和时间阈值的概念来研究用户在不同中图兴趣类别中随时间表现出来的兴趣差异和变化，实现了对用户兴趣偏好的定量衡量。此外，提出了一种基于中图分类和聚类的协同过滤推荐改进算法。在基于用户背景特点初步聚类的基础上，采用基于若干中图分类项目-用户分... 

【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

协同过滤的基本原理和处理过程

居的评分与对目标项的评分比较类似, 所以可以根据当前用户对最近邻居的评预测当前用户对目标项的评分, 最后选择预测评分最高的前若干项作为推荐结反馈给用户。与基于用户的协同过滤技术类似，基于项目的协同推荐技术的一个关键是计算项目之间的相似度并选出最相似的项目。所以，基于项目的协同过滤也可以分为两个阶段：其一是最近邻查询：搜目标项的最近邻居；其二为推生：根据用户对目标项的最近邻居的评分信息预测用户对目标项的评分, 产生Top-N 项目推荐。3.1.2.1 目标项的最近邻基于项目的协同过滤算法中首先要计算不同项之间相似度，然后根据实需要进行推荐。计算项之间的相似度方法与计算用户之间相似度的方法相似其与基于用户的协同过滤之间的根本差别就在于相似性的计算上，前者是针阵的列进行计算，而后者是针对矩阵的行进行计算的，如图 3.2 所示。

发现技术来挖掘项目之间的相关性。3.1.3 基于用户聚类的协同推荐算法传统的协同过滤算法是在所有的用户空间上进行最近邻居，随着项目或用的不断增加，协同过滤面临的数据稀疏性问题、冷启动问题和扩展性问题越来突出。为解决协同过滤推荐系统存在的上述问题，一种方案为引入聚类技术，将数据对象分组成为多个类或簇，一旦簇建立，可以使用簇中其它用户(项目)的平均观点对目标用户(项目)进行预测。基于用户聚类的协同过滤算法就是目前应用比较广泛且效率较高的一种个化推荐算法[44]，其基本思想如图 3.3 所示。首先，在分析用户特点和习惯等的础上使用聚类算法将整个用户空间划分为若干个不同的聚类（或簇），不同聚类（簇）之间用户对项目的评分尽可能不同，而聚类（簇）内部用户对项的评分可能相似；其次，搜寻目标用户所在聚类（簇）；最后，通过协同过滤算法来预评分。因此，聚类后的用户空间相对于原始的用户空间要小得多，有效的提高最近邻的查询效率和推荐算法的准确性。

【参考文献】：
期刊论文
[1]基于用户聚类的协同过滤推荐方法[J]. 查文琴,梁昌勇,曹镭.  计算机技术与发展. 2009(06)
[2]国内外数字图书馆个性化信息服务系统剖析[J]. 王欣,江芸.  图书馆工作与研究. 2008(11)
[3]高校图书馆个性化服务现状和影响因素分析——以十堰职业技术学院图书馆为例[J]. 张琴.  图书馆建设. 2008(01)
[4]协同过滤的一种个性化推荐算法研究[J]. 郭艳红,邓贵仕.  计算机应用研究. 2008(01)
[5]基于项目与客户聚类的协同过滤推荐方法[J]. 张娜,何建民.  合肥工业大学学报(自然科学版). 2007(09)
[6]个性化推荐系统中的用户建模及特征选择[J]. 林霜梅,汪更生,陈弈秋.  计算机工程. 2007(17)
[7]复合图书馆个性化信息服务模式研究[J]. 任永芳.  图书馆学研究. 2007(03)
[8]适应用户兴趣变化的协同过滤推荐算法[J]. 邢春晓,高凤荣,战思南,周立柱.  计算机研究与发展. 2007(02)
[9]数字图书馆个性化信息服务系统研究[J]. 刘燕平.  图书情报工作. 2006(S2)
[10]国内外数字图书馆个性化信息服务系统的功能与特征比较研究[J]. 张俊,黄水清.  情报理论与实践. 2005(06)



本文编号：2930497