基于数据挖掘的书目推荐研究

通过分析推荐书目的作用,在几种传统图书推荐服务方式的基础上,尝试将数据挖掘中的关联规则引入到图书馆书目推荐的工作中。基于借阅实例,利用关联原则和Apriori算法对读者借阅记录进行分析,从而为读者提供个性化的图书推荐服务。文章指出这种书目推荐方式对图书馆和读者都具有重要的意义。     

基于读者评论的图书推荐系统研究

分析了国内图书推荐系统的研究现状,以豆瓣读书中读者对图书的评论为数据源,利用Apriori关联规则挖掘算法及MapReduce并行化处理技术,实现了图书推荐系统.结果表明,基于读者评论的图书推荐系统能够高效地实现为用户推荐图书的功能.     

基于K-means的语义协同过滤推荐算法

传统的基于图书和读者的协同过滤方法缺乏语义知识,易混杂不符合读者喜好的噪音数据,从而影响聚类效果和推荐的准确度.针对该问题,提出一种基于K-means的语义协同过滤推荐算法.为了反映读者对图书的偏爱程度,首先定义读者-图书关联矩阵,然后通过K-means聚类算法寻找相邻集合,在聚类过程中兼顾关联矩阵和语义知识,分别计算读者和图书的相似度,最后通过相似程度排序向用户推荐图书.结果表明,该算法在保证计算效率的情况下能显著提高推荐的准确度.     

基于词频-逆文本频率和社区划分的图书推荐算法

本文提出一种基于图书内容的图书推荐算法。该算法利用词频-逆文本频率抽象图书特征向量,采用欧式距离度量图书相似性,使用CNM算法对图书相似性网络进行聚类,得到已知类别。当读者用户阅读、购买某本图书时,能够将该类别里的其他图书推荐给读者用户,方便其阅读或购买。     

基于情感分析和Word2Vec的图书推荐方法

为能够向广大读者精准推荐所需图书,达到节省搜寻精力和时间的目的,在传统图书推荐方法的基础上,将读者评论中的情感因素考虑在内,提出了一种基于情感分析和Word2Vec的图书推荐方法:抓取豆瓣网上的图书数据,构建专有特征数据集;针对情感词典设计了相应的情感计算规则,利用训练好的Word2Vec模型扩充情感词汇;通过情感词典完成对读者评论的情感分析,并将提取到的情感特征加入特征集内;采用随机森林算法对其进行口碑分类.研究发现,该方法优于基于原始特征集的方法,实验准确率和F值均有一定提升,是向读者实现图书精准推荐的有效途径,具有一定的实用价值和应用前景.     

基于Web的网上推荐图书系统——以北京化工大学图书馆网上推荐图书系统为例

探讨了研究开发一种比较完善的基于Web的网上推荐图书系统的必要性和可行性,介绍了北京化工大学图书馆开发的基于Web的网上推荐图书系统,利用此系统可以很好地实现读者推荐新书的个性化服务。     

2009-2012年高校图书馆图书借阅h指数对比分析

以湖南理工学院图书馆2009-2012年图书借阅数据为例,用h指数这一指标对其进行对比统计分析,得出了不同图书集合的“读者热衷度”,进一步对核心图书进行了分析,以便有针对性地向读者推荐图书,为群体读者提供更好的服务.     

基于用户画像的高校图书馆个性化图书推荐研究

个性化推荐服务是高校智慧图书馆的建设重点，基于此，提出了图书推荐系统整体架构.首先从读者的属性、行为、兴趣等标签维度构建用户画像模型，其次考虑读者认知能力存在差异化的特点，将读者按照不同的身份类型划分，再结合基于协同过滤、内容及属性相似度的混合推荐算法进行图书推荐.最后，通过Hadoop大数据平台向目标读者推荐TOP-N图书，实验结果表明，基于该架构模型的图书推荐系统的推荐准确度高，并且有效缓解了推荐系统的冷启动问题.     

基于文本相似度比较的高校图书馆个性化图书推荐研究与实现

高校图书馆藏丰富且齐全,图书的种类和数目庞大繁杂,没有具体借阅目标的读者,到图书馆寻找感兴趣图书所花费的时间和精力也在成倍增长.本文在数据挖掘下基于文本相似度比较的高校图书馆个性化图书推荐服务应用进行了研究,借鉴时下流行网络电商平台的经验,为高校图书馆开辟个性化图书推荐的渠道,利用读者的浏览记录、收藏情况、借阅历史等数据,自动为读者推荐有借阅意愿的图书.     

基于室内定位技术的图书馆推荐算法

为解决图书馆推荐系统存在的数据稀疏性问题,帮助读者选择感兴趣的图书,提出基于室内定位的图书馆推荐算法.该算法使用室内定位技术,以书架为定位单元,根据读者在图书馆的活动轨迹,获得读者兴趣偏好,将偏好信息引入基于用户的协同过滤算法,发现兴趣相似读者,进行推荐.实验结果表明,此算法能有效解决图书馆推荐系统中数据稀疏性问题,为读者提供位置相关的个性化图书推荐.