混合协同过滤算法及其在图书推荐中的应用研究.pdf

摘要

随着出版业的繁荣和文学的进步，图书市场呈现出图书更新速度快、覆盖领域广的

特点，这为读者提供了丰富的阅读素材，但也增加了读者挑选感兴趣图书的难度。另外，

互联网技术的发展改变了人们的阅读方式，传统的纸质阅读逐渐被便捷的线上阅读所替

代。因此，对于在线读书平台而言，如何盘活现有图书资源，为用户提供快速精准的推

荐，是当前亟待解决的问题。

协同过滤是目前应用最为广泛的推荐方法，其依据用户历史行为数据，计算相似度，

预测用户可能喜欢的物品，从而进行推荐。但其完全依赖用户历史行为数据，故存在以

下不足：用户历史行为数据稀疏带来的相似度计算不准确问题；新用户、新物品无历史

数据，无法为新加入用户提供个性化推荐服务或无法将新加入物品推荐给用户问题。因

此，在协同过滤算法的研究中，如何降低相似度计算误差、如何处理新加入的用户和物

品成为了研究热点。

本文从缓解用户历史行为数据稀疏的角度出发，首先综合利用图书语义信息和图书

评论中包含的关键词信息计算图书内容相似度。其中包括：利用知识表示ComplEx模型

表示图书知识图谱中的图书实体和关系，并计算图书间语义相似度；采用改进的

TextRank算法抽取图书关键词，并结合Word2Vec和Jaccard系数计算图书关键词相似

度；将图书语义相似度和关键词相似度进行加权，获得最终的图书内容相似度。其次，

在获得图书内容相似度的基础上，通过设置阈值筛选相似图书，预测评分空缺值，实现

对初始用户-图书评分矩阵的填充优化，最终将用户-图书评分矩阵的稀疏度由原始的

98.94%降至58.2%，极大的缓解了数据稀疏性。最后，依据优化后的用户-图书评分矩阵，

展开混合协同过滤推荐算法研究，采用前后端分离方式设计并实现图书推荐系统。实验

表明，本文所提算法与基于优化后评分矩阵的单一算法、基于优化前评分矩阵的混合算

法相比RMSE值最小，证明本文所提算法误差最小，能提供更加精确的个性化推荐服

务。图书推荐系统在运行过程中状态良好，满足预期需求。

关键词：混合协同过滤；内容相似度；评分矩阵优化；图书推荐系统

Abstract

Withtheprosperityofthepublishingindustryandtheprogressofliterature,thebook

markethasshownthecharacteristicsoffastupdatesandwidecoverage.Thisprovidesreaders

withrichreadingmaterials,butalsoincreasesthedifficultyofreadersselectingbooksofinterest.

Inaddition,thedevelopmentofInternettechnologyhaschangedthewaypeopleread,andthe

traditionalthesisreadinghasgraduallybeenreplacedbyonlinereading.Therefore,foronline

readingplatforms,howtorevitalizeexistingbookresourcesandprovideuserswithfastand

accuraterecommendationsisanurgentproblemthatneedstobesolved.

Collaborativefilteringiscurrentlythemostwidelyusedrecommendationmethod,which

calculatessimilaritybasedonuserhistoricalbehaviordata,predictsitemsthatusersmaylike,

andmakesrecommendations.However,itcompletelyreliesonuserhistoricalbehaviordata,so

ithasthe