數(shù)字圖書(shū)館個(gè)性化信息推薦系統(tǒng).pdf

1、隨著圖書(shū)館信息化的快速發(fā)展，傳統(tǒng)的信息檢索的服務(wù)方式已經(jīng)很難滿(mǎn)足用戶(hù)的需求，通過(guò)關(guān)鍵字組合的檢索方式很難達(dá)到用戶(hù)的真實(shí)需求。所以，個(gè)性化推薦服務(wù)受到了更廣泛的關(guān)注，它可以挖掘用戶(hù)信息、圖書(shū)信息以及用戶(hù)的操作日志等，挖掘數(shù)據(jù)間隱藏的關(guān)聯(lián)性，將獲得的知識(shí)推薦給用戶(hù)。
　　 在比較了幾種廣泛研究和應(yīng)用的推薦算法后，采用了關(guān)聯(lián)規(guī)則的方法，并結(jié)合圖書(shū)館的情況對(duì)其進(jìn)行改進(jìn)。在圖書(shū)館推薦系統(tǒng)中，關(guān)聯(lián)規(guī)則不需要用戶(hù)對(duì)圖書(shū)的評(píng)價(jià)，資源的特征描述等

2、附加信息，但也有不足:新入庫(kù)的圖書(shū)很難被推薦;高瀏覽量圖書(shū)容易被推薦，但推薦價(jià)值不高;不善于發(fā)現(xiàn)那些種類(lèi)相近圖書(shū)之間的內(nèi)在聯(lián)系。
　　 本文在Apriori算法中引入了多最小支持度MMS的概念，并在MMS的計(jì)算公式中加入了圖書(shū)入庫(kù)時(shí)間和瀏覽量?jī)蓚€(gè)因素。此外，在關(guān)聯(lián)規(guī)則之前根據(jù)用戶(hù)的屬性特點(diǎn)進(jìn)行基于k-means方法的聚類(lèi)，使用戶(hù)在相似用戶(hù)群產(chǎn)生的規(guī)則中獲得推薦信息。考慮圖書(shū)館用戶(hù)的自身特點(diǎn)，其特性主要包括年級(jí)、專(zhuān)業(yè)和興趣，它們是