[發(fā)明專利]一種基于組合算法的個性化圖書推薦方法

有效

• 申請?zhí)枺?/td>: 201711149281.7
• 申請日: 2017-11-18
• 公開（公告）號: CN107943910B
• 公開（公告）日: 2021-09-07
• 發(fā)明（設(shè)計）人: 高建彬;單良
• 申請（專利權(quán)）人: 電子科技大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/951;G06K9/62
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 徐金瓊;劉東

本發(fā)明公開一種基于組合算法的個性化圖書推薦方法，涉及計算機信息領(lǐng)域，包括如下步驟：對圖書的內(nèi)容信息進行關(guān)鍵詞提取，求得圖書的特征向量；求得用戶對某個新書的評分值；生成“用戶行為倒排表和查詢索引”和“圖書行為倒排表和查詢索引”；生成相似度文件和查詢索引：相似用戶索引和查詢索引、相似圖書索引和查詢索引；根據(jù)相似用戶索引和查詢索引、相似圖書索引和查詢索引計算給用戶的圖書推薦指數(shù)。本發(fā)明解決了現(xiàn)有的圖書推薦方法對于對用戶偏好的推斷存在很大的誤差，無法達到良好的圖書推薦的效果的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及適用于針對用戶喜好進行圖書推薦的計算機信息領(lǐng)域，尤其涉及一種基于組合算法的個性化圖書推薦方法。

背景技術(shù)

現(xiàn)有技術(shù)中向用戶推薦電子圖書的方法有多種，第一種方法是基于用戶以往的閱讀歷史數(shù)據(jù)，推斷用戶的閱讀偏好，再根據(jù)推斷出的閱讀偏好向用戶推薦對應(yīng)的電子圖書。但在該種方法中，對于用戶閱讀偏好的推斷存在一定不足，主要是：由于閱讀平臺所提供的圖書的類別分布不均，且原創(chuàng)類圖書較多，通常主要集中在言情、穿越等類別；同時由于手機閱讀用戶的主要用戶群是學生、外來務(wù)工人員和都市白領(lǐng)，而這一大部分用戶訪問圖書通常集中在言情穿越等熱門分類上，造成系統(tǒng)在對用戶偏好進行判定時大部分用戶的偏好被判定為熱門分類。上述這種情況對于圖書推薦造成很多障礙，例如根據(jù)系統(tǒng)判斷，許多高端商務(wù)人士可能被判定為言情或穿越類的閱讀偏好，對其進行相應(yīng)的圖書推薦容易引起反感和用戶體驗下降。

第二種方法：由于僅根據(jù)歷史數(shù)據(jù)推斷用戶的偏好會造成上述問題，因此，現(xiàn)有技術(shù)中出現(xiàn)了基于用戶身份類型來推斷用戶的閱讀偏好，進而進行相應(yīng)的圖書推薦的方法。但該方法存在如下不足：現(xiàn)有系統(tǒng)主要通過注冊用戶的年齡、性別、職業(yè)特點、產(chǎn)品品牌和手機類型對用戶身份進行逆推，而這些基礎(chǔ)數(shù)據(jù)信息在用戶注冊時由于隱私考慮和技術(shù)等種種原因?qū)е聰?shù)據(jù)存在諸多不準確的情況，從而導(dǎo)致用戶身份類別判定的準確率非常低，進而造成對于用戶偏好的推斷存在很大的誤差，影響了圖書推薦的效果。

可以看出，現(xiàn)有技術(shù)中電子圖書推薦系統(tǒng)主要是基于用戶偏好來進行相應(yīng)的圖書推薦，具體是根據(jù)用戶訪問的歷史數(shù)據(jù)信息或用戶身份類型確定用戶偏好。但對于訪問閱讀平臺系統(tǒng)較少的用戶，可能沒有足夠的歷史數(shù)據(jù)信息；以及當前系統(tǒng)由于種種限制對于用戶身份的判定缺乏可靠的基礎(chǔ)，用戶類別判定的準確率較低。因而對于用戶偏好的推斷存在很大的誤差。

發(fā)明內(nèi)容

本發(fā)明的目的在于：現(xiàn)有技術(shù)中存在這兩個問題：(1)電子圖書推薦系統(tǒng)主要是基于用戶偏好來進行相應(yīng)的圖書推薦，具體是根據(jù)用戶訪問的歷史數(shù)據(jù)信息或用戶身份類型確定用戶偏好，但對于訪問閱讀平臺系統(tǒng)較少的用戶，可能沒有足夠的歷史數(shù)據(jù)信息；(2)以及當前系統(tǒng)由于種種限制對于用戶身份的判定缺乏可靠的基礎(chǔ)，用戶類別判定的準確率較低，因而對于用戶偏好的推斷存在很大的誤差；為了解決這兩個問題，本發(fā)明提供一種基于組合算法的個性化圖書推薦方法。

本發(fā)明的技術(shù)方案如下：

一種基于組合算法的個性化圖書推薦方法，包括如下步驟：

S1：對新書的名稱、介紹等內(nèi)容信息進行關(guān)鍵詞提取，進而求得圖書的特征向量，用這些關(guān)鍵詞標示該圖書。

S2：根據(jù)用戶瀏覽或下載到的圖書的特征向量求得用戶的特征向量，進而求得用戶對某個新書的評分值。

S3：通過用戶-圖書實際行為數(shù)據(jù)對來統(tǒng)計每個用戶的行為圖書和每個圖書的行為用戶，生成“TOP N用戶行為倒排表和查詢索引”和“圖書行為倒排表和查詢索引”。

S4：根據(jù)用戶的相同行為圖書個數(shù)與各自行為圖書個數(shù)計算兩個用戶之間的相似度，以及兩本圖書之間的相似度，生成相似度文件和查詢索引：TOP N相似用戶索引和查詢索引、相似圖書索引和查詢索引。

S5：根據(jù)TOP N相似用戶索引和查詢索引、相似圖書索引和查詢索引計算給用戶的圖書推薦指數(shù)。

具體地，所述S1的具體步驟包括：