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.     

高校图书馆个性化推荐服务算法研究

随着高校图书馆馆藏书目的增加,读者在没有具体借阅目标的情况下,从图书馆借阅图书所花费的时间越来越多.针对这种情况,提出了基于内容的高校图书馆推荐算法,详细论述了中文分词、词语权重的计算、向量空间模型的构建以及图书相似度的计算,并对中文分词程序和词语权重算法在短文本中的应用进行了改进,对构建向量空间模型时遇到的稀疏矩阵问题给出了解决方法.研究结果表明,利用基于内容的推荐算法为读者推荐图书,比较符合读者兴趣,容易被读者接受.     

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.     

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。     

基于用户协同过滤的图书推荐系统的设计与实现

协同过滤挖掘是利用具有相似喜好的读者或相似的物品来实现相关推荐的信息挖掘。通过深入挖掘图书馆书籍借阅中记录的信息，提出了一个基于用户协同过滤技术的图书推荐系统的设计与实现方案。实验结果表明该系统具有较为准确的预测功能，对图书推荐工作具有较好的参考价值。     

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.     

基于关联规则优化的个性化推荐系统

针对当前个性化推荐系统处理数据效率较低的问题,提出了一种混合聚类关联规则优化的个性化推荐系统实现方法.深入分析了基于Web网络服务平台的电子商务个性化推荐系统的结构组成,将数据分析与推荐算法实现分为离线和在线处理两部分,阐述了算法初始化、关联实现以及推荐数据集合生成和兴趣模型预测的具体原理,并给出了算法的实现步骤.最后,基于提出的系统构建模型,建立了一种基于混合聚类关联优化的图书网络推荐平台.实验结果表明,该方法具有较高的推荐精度和推荐效率,更适合大数据环境的推荐系统.     

结合物联网和室内定位的手机图书馆推荐系统

 为利用物联网和室内定位等新技术的优势,并充分利用图书馆的特点,设计开发了结合物联网和室内定位的手机图书馆推荐系统。借助物联网中的近场通信（NFC）搜集了系统数据;利用Mahout和Redis实现了基于物品的协同过滤推荐和基于热点的推荐,并将2种推荐的结果混合推荐计算得到推荐图书列表;利用位置指纹定位法得到读者的实时位置,以此向读者推送推荐结果,同时根据用户的反馈优化推荐结果。通过这些优化和改进,可使图书馆更好地为读者服务。     

高校图书馆个性化图书推荐算法研究

构建图书推荐系统,不仅可以让用户快速有效地获取所需图书信息,减少信息过载,同时也可以较好地发挥图书馆馆藏图书资源的潜在价值。在综述了几种常用推荐算法的基础上,给出了基于协同过滤的推荐算法的实现过程,并针对其冷启动和数据稀疏性问题给出了优化方案及优化后的算法实现流程。结果表明:在算法中引入用户特征属性与用户聚类方法,有效降低了数据稀疏性问题,提升了算法的推荐效率,一定程度上解决了图书推荐系统中的推荐算法设计。可以将该优化后的算法运用于图书馆的图书推荐系统设计中。     

高校图书馆专题图书推荐浅议

图书推荐是图书馆为读者服务的重要内容之一,图书推荐的形式多样,专题图书推荐是图书推荐的一种重要形式,几年的实践证明专题图书推荐是一种值得探讨的形式,它可以为引导读者多读书,读好书,最终使读者懂得怎样读和读什么.     

图书缺藏网站解决方案

提出一种把书商和读者手中的二手图书收集起来提供给图书馆的B2B缺藏解决方案.首先介绍了缺藏图书网站的开发背景,重点分析了系统的功能需求、业务流程、数据库设计以及系统开发实现过程,用Struts架构表示层,用Spring架构业务层,用Hibernate架构持久层,从而提高项目代码的复用性及项目开发的效率.     

基于知识图谱自动构建的可用资源表示与推荐

为了解决技术创新中可用资源选择过程算法化程度与创新效率较低的问题,提出基于知识图谱自动构建的可用资源表示与推荐方法;首先采用双向长短期记忆模型和条件随机场模型建立可用资源实体抽取模型,基于依存句法分析实现实体关系抽取,从而构建可用资源知识图谱;然后分析可用资源属性在可用资源利用过程中的作用,并架构属性匹配网络,实现基于知识图谱的可用资源推荐;最后通过实验和案例分析验证所提方法的有效性。结果表明,知识图谱能够有效表示可用资源,可以应用于智能化计算机辅助创新系统的开发。     

用户协同过滤个性化图书推荐算法的改进与实现

读者想要迅速从海量图书资源中找到需要的图书是其面临的难题,个性化图书推荐服务为解决这一难题提供了有效手段.针对传统用户协同过滤算法存在的问题,依据用户协同过滤推荐算法基本原理,以基本数学模型为基础,从解决数据稀疏性、用户兴趣随着时间迁移而衰减、用户特性影响用户兴趣等方面进行了改进,并设计了算法实现流程,为应用系统开发提供解决方案.研究结果表明,通过对用户协同过滤个性化图书推荐算法的改进,有效提高了图书资源检索和推荐的智能水平,满足了用户的个性化需求,解决了软件开发关键性技术问题.     

基于Multi-Agent的电子商务个性化推荐系统模型的设计与研究

为了更好地提高电子商务推荐系统的个性化、自动化、持久化程度,提出了一种基于Multi-Agent的电子商务个性化推荐系统的整体架构模型．它采用Agent技术将个性化推荐系统中的功能模块构建为智能体,并在智能控制方式下采用线下信函式推荐和线上混合推荐技术来构建核心推荐模块．对该模型中各组成部分的功能和设计思想进行了阐述．     

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。     

基于本体的面向服务的属性访问控制模型

为了简化面向服务的架构下的访问控制策略管理,本文采用基于属性的访问控制(ABAC)与本体技术相结合的方法,对XACML标准架构进行了扩展,提出了一种新的访问控制模型——基于本体的面向服务的属性访问控制模型(OB_ABAC)。该模型基于本体的属性管理,简化了对于面向服务的架构下的异构属性的授权策略。     

用户聚类和多最小支持度关联规则的推荐系统

在几种流行的推荐算法的基础上,本文提出了一种新的融合用户聚类和关联规则的算法来改善推荐效果。该算法在经典的关联规则算法Apriori基础上引入多最小支持度的概念,并在关联规则算法之前进行用户聚类,在聚类算法中使用了包含字符属性的混合属性距离函数,提高聚类效果。在此算法的基础上,设计并实现了一种新的基于图书馆的推荐系统。实验证明该算法改善了数字图书馆中新书的推荐质量,去除了部分只含高浏览量图书的无意义规则,并趋向于发现相近种类图书的关联性。