结合社会化标签的基于内容的推荐算法

在高校图书馆场景下,受限于图书特征信息的稀少,很难运用基于内容的推荐算法。本文针对图书馆推荐场景提出了一种结合社会化标签的基于内容的推荐算法。通过将图书的社会化标签与实体图书相结合的方式来补充图书的特征项。对于社会化标签中存在的标签模糊问题,本文在信息熵思想的基础上提出了一种模糊标签识别方法。对于识别的模糊标签,本文采用标签去除的方式来处理,以增加标签信息的可靠性。最后通过基于内容的推荐算法来测试模糊标签去除前后推荐的准确率,以此来判定模糊标签识别方法的准确性。实验结果证明,该模糊标签识别方法具有较好的准确性,可以较好的识别模糊标签。

结合时间上下文挖掘学习兴趣的协同过滤推荐算法

提出了一种基于时间上下文的协同过滤推荐(TCCF-LI)算法,实现了基于高校图书馆图书借阅记录数据上的学生学习兴趣挖掘.在传统协同过滤算法上引入时间上下文信息,既考虑了大尺度用户群体爱好的趋同性,又兼顾了小尺度个体用户爱好的短时相关性,获得了更高的推荐性能.在实际数据集上的实验结果表明,该算法在推荐精准度、召回率等方面比传统推荐算法有较好表现.

基于时间上下文信息的借阅次数评分模型与应用

针对读者的借阅历史数据,提出一种将图书借阅次数以及借阅时间转化为读者兴趣度的评分模型。该模型把读者的借阅行为分为3种不同的类型:借阅、续借、预约,并将借阅行为发生的时间融入到评分模型中,对于时间上下文的使用,采用两种不同的时间衰减策略,以比较其优劣并选取最优的评分模型。在该数据模型的基础上,实现一个基于隐语义模型的图书推荐系统,并验证评分模型的有效性。