近幾年隨著數(shù)字圖書館的高速發(fā)展,其數(shù)字資源館藏已實現(xiàn)了海量增長,讀者對資源的需求越來越個性化,這些因素推動著圖書館推薦系統(tǒng)應用的普及和深化。知識圖譜技術是現(xiàn)今圖書館學的研究熱點,據(jù)此,對基于知識圖譜的圖書館推薦系統(tǒng)進行了研究,并將其與傳統(tǒng)的基于ALS的協(xié)同過濾算法進行比較。結果顯示,基于知識圖譜的MKR推薦算法可以取得較好的圖書推薦效果,能夠助力今后個性化圖書館推薦系統(tǒng)的建設。 

【文章來源】：自動化應用. 2020,(08)

【文章頁數(shù)】：4 頁

【部分圖文】：

MKR的模型框架

因為圖書所具有的物品特征和圖譜實體之間可能存有屬性的重合，所以推薦算法模型和知識圖譜詞嵌入模型KGM之間并非相互獨立。通過在低層將左右兩個模型橋接起來。將圖書評分數(shù)據(jù)集中的圖書向量與知識圖譜中的圖書向量特征融合起來，再分別放回各自的模型中，進行監(jiān)督訓練。該交換區(qū)域被稱為交叉特征共享單元。由于推薦任務中的圖書向量與知識圖譜中的實體向量，本質(zhì)上是對同一個對象的不同描述，它們之間通過信息交叉共享可以讓雙方都獲得來自對方的補充信息，從而改善自身信息稀疏性的不足[4]，其結構如圖2所示。推薦系統(tǒng)通過對讀者行為數(shù)據(jù)（包括用戶信息、操作記錄、評分記錄等）的挖掘找出讀者的興趣偏好特性，基于不同的偏好為讀者推薦資源。一般來說推薦系統(tǒng)的實現(xiàn)包括下面幾個階段：首先構建用戶行為信息數(shù)據(jù)集與圖書數(shù)據(jù)集，將用戶和圖書作為推薦算法模型的輸入；然后將圖書評分數(shù)據(jù)集中的圖書向量與知識圖譜中的圖書向量特征融合起來，交替進行推薦算法模型與知識圖譜嵌入模型的獨立訓練，確定最優(yōu)參數(shù)（如圖3所示），并通過使用內(nèi)積的方式，計算用戶向量和圖書向量的相似度，最后將用戶向量和圖書向量連接起來，再通過全連接層處理計算出用戶對該圖書的喜好分值，取分值最大的前N條圖書信息推薦給讀者。

準確率（Precision）和召回率（Recall）作為個性化推薦系統(tǒng)的兩個評測指標，可以用來衡量推薦結果的質(zhì)量。平均精度均值mAP(mean Average Precision）能夠反映全局性能，參考圖4，其中兩條曲線（實線與虛線）分別對應了兩個推薦系統(tǒng)的準確率-召回率曲線。圖4顯示，兩個不同推薦系統(tǒng)的性能曲線會有部分交集產(chǎn)生，但是以虛線表示的系統(tǒng)的性能在大部分情況下都要遠好于實線表示的系統(tǒng)，一個系統(tǒng)的性能如果較好，那么其曲線應當盡可能地顯示在上方。理想情況下的推薦系統(tǒng)，其包含的面積應當是1，而所有系統(tǒng)包含的面積都應當大于0，平均精度均值mAP的規(guī)范定義如下：

【參考文獻】：
期刊論文
[1]改進的基于內(nèi)容的協(xié)同過濾電影推薦算法[J]. 范志強,趙文濤.  信息與電腦(理論版). 2019(13)
[2]面向軍事信息服務的智能推薦技術[J]. 王中偉,裘杭萍,孫毅,寇大磊.  指揮控制與仿真. 2019(04)
[3]數(shù)據(jù)挖掘技術下的個性化智能推薦系統(tǒng)設計[J]. 王炎.  微型電腦應用. 2019(02)
[4]互聯(lián)網(wǎng)+時代下圖書館的發(fā)展與挑戰(zhàn)探討[J]. 田蕊.  科技風. 2019(02)



本文編號：3404906