[發明專利]高校圖書館的推薦方法、系統、可讀存儲介質及電子設備

有效

• 申請號: 202011096851.2
• 申請日: 2020-10-14
• 公開（公告）號: CN112163161B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 陳皓;丁玥;施曉華;王東
• 申請（專利權）人: 上海交通大學;賽爾網絡有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q50/20;G06N3/04
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 張燕

1.一種高校圖書館的推薦方法，其特征在于，包括：

捕獲學生對不同類別圖書的個性化偏好，并捕獲學生對不同類別圖書的專業偏好；接收與學生借閱圖書相關的離散屬性數據；將所述離散屬性數據映射成為與學生借閱圖書相關的稠密屬性數據；建立所述稠密屬性數據中每對屬性特征的交互模型；對于給定的多域特征x∈Rⁿ，所述交互模型建模方式為：

其中，ω₀表示全局偏差，ω_i表示第i個變量的權值，v_i,v_j表示兩個向量的內積，v_i∈R^d是第i特征的嵌入向量，d表示向量的大小，x_i第i個特征向量值，x_j是第j個特征向量值；

從多個屬性特征中挑選與學院相關的屬性特征；形成與學院相關的屬性特征的特征交互圖；對所述特征交互圖進行卷積，以形成新的多通道特征圖；所述新的多通道特征圖用于表征屬性特征中兩兩之間的相關性；將屬性特征中兩兩之間的相關性映射成表示學生特定專業于特定學期的專業偏好；

根據個體學生對不同類別圖書的個性化偏好和學生對不同類別圖書的專業偏好，建立學生的偏好模型，以為學生推薦與之偏好匹配的圖書。

2.根據權利要求1所述的高校圖書館的推薦方法，其特征在于，所述捕獲個體學生對不同類別圖書的個性化偏好的步驟還包括：

接收學生的歷史借閱記錄；

根據學生的歷史借閱記錄，建立與學生借閱圖書相關屬性特征的交互模型；

根據學生的歷史借閱記錄，建立學生的所有借閱類別的加權偏好。

3.根據權利要求2所述的高校圖書館的推薦方法，其特征在于，所述捕獲個體學生對不同類別圖書的個性化偏好的步驟還包括：

將所述學生的所有借閱類別的加權偏好與屬性特征相交互，形成交互結果；

將所述交互結果與每對屬性特征的交互模型相結合，獲取個體學生對不同類別圖書的個性化偏好。

4.根據權利要求1所述的高校圖書館的推薦方法，其特征在于，所述對所述特征交互圖進行卷積，以形成新的多通道特征圖的步驟包括：

將與學院相關的屬性特征的特征交互圖輸入至卷積神經網絡的卷積層，使用二維卷積核，加入偏置后，利用激活函數進行非線性變換，以形成新的多通道特征圖。

5.根據權利要求1所述的高校圖書館的推薦方法，其特征在于，

學生的偏好模型＝(1-λ)×個體學生對不同類別圖書的個性化偏好+λ×學生特定專業于特定學期的專業偏好；λ為控制兩種興趣權值的超參數。

6.一種高校圖書館的推薦系統，其特征在于，包括：

第一處理模塊，用于捕獲學生對不同類別圖書的個性化偏好；接收與學生借閱圖書相關的離散屬性數據；將所述離散屬性數據映射成為與學生借閱圖書相關的稠密屬性數據；建立所述稠密屬性數據中每對屬性特征的交互模型；對于給定的多域特征x∈Rⁿ，所述交互模型建模方式為：

其中，ω₀表示全局偏差，ω_i表示第i個變量的權值，v_i,v_j表示兩個向量的內積，v_i∈R^d是第i特征的嵌入向量，d表示向量的大小，x_i第i個特征向量值，x_j是第j個特征向量值；

第二處理模塊，用于捕獲學生對不同類別圖書的專業偏好；從多個屬性特征中挑選與學院相關的屬性特征；形成與學院相關的屬性特征的特征交互圖；對所述特征交互圖進行卷積，以形成新的多通道特征圖；所述新的多通道特征圖用于表征屬性特征中兩兩之間的相關性；將屬性特征中兩兩之間的相關性映射成表示學生特定專業于特定學期的專業偏好；

綜合處理模塊，用于根據個體學生對不同類別圖書的個性化偏好和學生對不同類別圖書的專業偏好，建立學生的偏好模型，以為學生推薦與之偏好匹配的圖書。