基于Apriori关联分析与协同过滤的图书推荐算法.doc

基于Apriori关联分析与协同过滤的图书推荐算法摘要:该文根据图书借阅数据的特点,提出了一种基于Apriori关联分析与协同过滤推荐算法。对于协同过滤算法的重要难点是计算图书之间的相似性,尤其是在缺乏用户评分数据的情况下。该文通过将Apriori关联性算法与协同过滤推荐算法相结合,利用图书之间的关联性来构建图书之间的相似性矩阵,从而解决了在图书借阅数据中缺乏用户评分的问题,试验结果表明该文在图书借阅数据集上的推荐准确率和效率都有较大改善。本文来源于网络,本站发布的论文均是优质论文,供学****和研究使用,文中立场与本网站无关,版权和著作权归原作者所有,如有不愿意被转载的情况,请通知我们删除已转载的信息,如果需要分享,请保留本段说明。关键词:Apriori;关联分析;协同过滤;图书推荐;相似矩?;图书借阅中图分类号:TP181文献标识码:A文章编号:1009-3044(2017)33-0032-02 Abstract:Basedonthecharacteristicsofbookborrowingdata,,,binedtoconstructthesimilaritymatrixbetweenbooksbyusingthecorrelationbetweenthebooks,. Keywords:apriori;associationanalysis;collaborativefiltering;mendation;similarmatrix;booksborrow 1概述近年来,随着数据挖掘领域研究的活跃,数据挖掘技术在各行各业都得到了广泛的应用。如何有效地利用图书借阅数据来提高图书管理服务,是当前图书借阅数据挖掘的重点。在图书管理服务中,有效的图书推荐是提高读者借阅查找效率和读者借阅体验[1]。在过去的几年中,协同过滤推荐算法在商品推荐中得到了广泛的应用,特别是在商品图书推荐中,例如亚马逊、当当、等电子商务中,都采用了协同推荐算法来实现商品推荐[2]。但是在基于图书借阅数据的协同推荐中,还存在着一些需要解决的难题。采用协同过滤算法根据借阅数据进行借阅图书推荐的难点包括以下两个方面: 1)评分数据的获取。在商品数据推荐中,协同过滤算法需要使用商品的评价来对计算用户对商品之间的相似度。然而在高校图书管理系统中,图书借阅系统很少包括借阅后对图书的评价,难以收集图书评分数据。这是协同过滤在图书借阅数据中最大的难点。 2)相似性度量。在传统的商品推荐系统中,由于用户之间很少存在相同的知识背景以及生活场景,所以用户之间的相似性只能通过对商品的购买来判断。但是在图书借阅系统中,特别是高校读书借阅系统中,借阅用户通常会具有