基于流通日志和协同过滤的个性化资源推荐

针对昭通学院图书馆2003—2014年的流通借阅数据,进行流通日志和资源相似性分析,提出基于流通日志和协同过滤的个性化资源推荐算法。通过数据分析挖掘,可查找出多个读者之间的兴趣相似度,从而实现图书馆资源的个性化推荐。     

基于流通日志和协同过滤的个性化资源推荐(112)

针对昭通学院图书馆2003-2014年的流通借阅数据,进行流通日志和资源相似性分析,提出基于流通日志和协同过滤的个性化资源推荐算法.通过数据分析挖掘,可查找出多个读者之间的兴趣相似度,从而实现图书馆资源的个性化推荐.     

WEB挖掘在个性化推荐系统中的应用研究

如何精准地捕获读者的需求并分析客户的需求是设计个性化推荐系统的关键性问题。本文借鉴大型电子商务网站的个性化推荐技术,采用WEB挖掘的方式,采集海量的读者数据,运用CPM算法对读者及资源进行关联,根据读者的查询记录、借阅历史等信息实现智能推荐相关的书目,以满足读者个性化的服务需求。     

高校图书馆借阅数据的关联规则挖掘研究

为了向读者提供图书推荐的个性化服务,阐述了使用数据挖掘技术为高校图书馆的业务管理工作提供决策参考的设计思想及实现过程,并完成了图书馆关联规划挖掘系统的设计与实现。本文采用一种改进的Apriori算法对图书馆学生的借阅历史数据进行挖掘分析,得到了很多关联规则,以从中发现读者对资源的借阅模式,为图书馆信息服务、信息资源采集提供了科学决策的有效方法。     

"好书推荐"在高职院校阅读推广中的成效及启示 ——以昆明冶金高等专科学校图书馆为例

"好书推荐"是图书馆向读者推荐优质图书,引导读者借阅优质图书,提高优质图书的借阅率的阅读推广方式之一。昆明冶金高等专科学校图书馆从高职院校学生的特点出发,结合学校的办学特点,依托微信、校园网和学校办公平台等技术平台,开展了对馆藏图书进行阅读推广的"每周好书推荐"活动。自推出以来,受到了全校师生读者的关注与支持,所推书目借阅量也得到了提升,部分图书在实际教学中得到了运用。通过统计推荐书目的借阅量和关注量,分析读者的借阅倾向,探讨在高职院校中,如何促进书目推荐活动在阅读推广中的成效,以达到为读者找好书,为好书找读者的目的。     

基于用户借阅数据的高校图书馆服务模式的创新——以吉林化工学院图书馆为例

旨在通过统计高校图书馆门禁数据和读者借阅数据,站在读者使用的角度,挖掘用户的隐性服务需求。根据动态数据呈现出来的规律,发现用户对资源的使用习惯与用户所处的时间段、所处的年级、以及用户的专业和阅读习惯有着密切关系。最后,根据总结的规律,文章给出了图书馆服务模式的三种创新方案。     

基于数据挖掘的开源电子资源访问行为统计模型

为了解决当前图书馆资源个性化推荐过程中存在推荐的准确率、召回率以及效率较低的问题,采用二维距离模型构建用户社区模型,用于描述访问用户与图书馆开源电子资源之间的关系,并对互联网用户需求和访问行为进行模糊规则推理.依据互联网用户属性和图书馆资源访问需求属性之间的模糊规则,建立图书馆开源电子资源访问行为统计模型,并利用该模型向用户提供个性化推荐服务.仿真结果表明,所建模型的推荐召回率高达98. 4%,推荐准确率为99. 2%,运行时间小于0. 04 s.所建模型能够为互联网用户提供准确、高效地图书馆资源个性化推荐服务.     

浅谈信息分析在图书馆工作中的应用

随着数据库技术的迅速发展以及数据库管理系统在图书馆的广泛应用,在图书馆,积累了大量的读者对资源的历史访问数据,这些数据背后隐藏着许多重要的信息。对某一读者群在一定时期内所借阅图书的流通数据进行信息分析,可以发现读者在进行专业学习时隐含的各学科知识之间的关联,这对图书馆调整资源建设的学科结构、提升读者服务工作水平具有重要的指导意义。     

分布式信息资源发布订阅推荐模型研究

针对现有网络信息资源分布式特征和语义搜索的要求,提出一种应用发布/订阅技术实现信息资源语义推荐模型。资源以消息方式发布到分布式模型系统中,用户的个性化要求通过订阅方式存储在查询本地,实现将用户被动搜索信息变为系统主动推荐个性化的信息服务的转变,同时应用语义Web技术实现基于内容的信息匹配。该系统模型改变了现有基于网页搜索信息资源的方式,更易于部署,实验结果表明,该模型比传统的网页推荐模型信息匹配准确率更高。     

高校图书馆的个性化信息服务探讨

知识经济时代,读者对知识信息的需求日益多样化而且个性化,高校图书馆应当主动提供个性化的信息服务,从而提高馆藏图情资料的利用率。介绍了个性化信息服务的目标、内容与模式以及高校图书馆开展个性化信息服务的状况,认为云服务技术为高校图书馆进一步拓展个性化信息服务提供了新的思路。     

一种基于语义网的个性化学习资源推荐算法

在E-learning环境中,为了满足用户对学习资源的个性化需求,提出了一种基于语义网技术的学习资源个性化推荐算法。首先根据用户评价和浏览行为得到用户感兴趣的学习资源集合与核心概念集合,然后根据领域本体中概念间的关系分别计算不同用户评价的学习资源集合间的语义相似度和核心概念集合间的语义相似度,最后根据得出的两个相似度值共同决定用户兴趣偏好的相似性,找到具有相似兴趣的最近邻居,从而实现学习资源的协同推荐。此外,在学习资源管理上引入了学习对象概念,降低了相似度计算的复杂度。并将该算法应用到了基于语义网的个性化学习资源推荐系统中,实验表明,该算法有效改善了学习资源推荐效果,特别是对于新加入的资源和新注册用户效果显著。     

高职院校图书馆分众化信息服务探索与实践

引入分众化概念,根据高职院校用户利用信息资源特征,将图书馆用户细分成4个用户群体,比较4个用户群体信息行为的不同,分析其信息需求特点。以浙江纺织服装职业技术学院图书馆为例,根据不同用户群信息需求特点,结合多年信息服务工作经验,探索开展个性化、有针对性、积极、主动、及时的信息服务。     

个性化图像检索和推荐

为了解决信息过载的问题,个性化图像检索和推荐技术成为目前图像检索领域的新趋势,其不仅可提高检索的效率和准确率,还可满足用户的个性化需求.根据不同个性化信息的数据源,可将个性化图像检索和推荐分为基于内容的个性化图像检索和推荐与协同过滤个性化图像检索和推荐.对于基于内容的个性化图像检索和推荐,分析了用户兴趣获取、用户兴趣表示和个性化实现3个核心环节,并对所采用的关键技术进行了对比,指出了优缺点;对于协同过滤个性化图像检索和推荐,分析了基于用户、物品和模型的3种协同过滤方法.最后分析对比了基于内容和协同过滤2种个性化图像检索和推荐方法,并指出了未来的工作方向.     

基于兴趣度与类型因子的高校图书推荐算法

针对高校图书馆读者评分系统缺失和读者之间借阅重合率低而导致兴趣度矩阵稀疏的问题,提出了一种基于兴趣度模型与类型因子的高校图书推荐算法。该算法建立了一种读者兴趣度模型用来模拟读者对图书的偏好程度,并使用类型因子作为图书相似性的权重填补兴趣度矩阵中缺失的兴趣度值,最终通过基于用户的协同过滤算法得到目标读者的Top-N推荐列表。实验表明:改进的兴趣度模型比未改进的兴趣度模型算法的推荐效果更好,而且使用类型因子权重比图书名称分词权重的推荐效果也更好。该算法为高校智慧图书馆的建立提供了理论基础。     

基于LBS的个性化手机菜品推荐系统设计与实现

为满足用户"随身、随时、随地"的个性化服务需求,设计一款基于位置服务(LBS)的个性化菜品推荐系统。在系统中,首先通过对用户的位置感知,记录每个用户的用餐信息;然后通过现有的选择过程或相似关系来获知用户的潜在兴趣;再对当地餐馆和菜肴的信息进行过滤,将用户可能感兴趣的餐厅和菜品推荐给他们。     

基于隐语义模型的推荐算法研究

针对传统推荐算法用户兴趣值低、准确性差的问题,提出基于隐语义模型的推荐算法研究。首先对隐语义模型数据特征值进行采集,获取用户的个性化喜好信息,并针对采集到的特征数据及搜索关键词,进行不同信息之间的关联性数值的判断和分类处理。在此基础上,根据判断和分类处理结果对不同层次的信息进行推荐排序处理,优化模型信息推荐步骤,实现隐语义模型信息推荐。实验研究结果表明,基于隐语义模型的推荐算法的用户兴趣值高于其他传统推荐算法,且信息推荐的准确性较高。     

关于提高高校学报利用率的思考

高校学报是高校图书馆文献信息源的重要组成部分,通过对高校学报借阅情况的分析,认为对学报种类的选择与订阅应当始终同本院校的办学宗旨、专业特色、发展目标相一致,进行科学的分类排架,加大宣传力度,开发过刊信息资源,以提高高校学报的读者利用率。     

一种改进的协同过滤图书推荐算法

随着图书馆文献资源和评价信息的日益丰富和增长,图书推荐系统已成为目前最受读者欢迎的应用。传统的推荐算法通常采用协同过滤算法基于相似性为用户推荐适合的书单,但评价数据的稀疏特征和推荐中过拟合等因素会影响推荐系统的准确性,导致推荐的质量较差。为此,提出一种基于用户数据处理的增强协同推荐算法,通过剔除不相关用户来降低稀疏性和过拟合问题,并基于图书馆采集的评价信息作为验证数据,将该算法与传统算法进行比较,实验表明,在RSME、准确率和召回率等指标方面有较大的提升。     

大学图书馆读者阅读需求特点及需求变动分析

大学图书馆读者阅读需求有个性化、多样化特点,通过对大学图书馆的读者分层,依次对大学图书馆的本科生、研究生、教师及科研人员的阅读需求变动进行了分析;并根据大学读者阅读需求变化规律以及不同群体读者的阅读需求特点,提出了如何更好地为大学读者提供满意优质服务的对策建议。     

网络资源中基于K-Means聚类的个性化推荐

为了实现在网络资源中为网络用户提供针对兴趣爱好的推荐项目,提出了一种基于K-means聚类的应用于动态多维社会网络的个性化推荐算法.首先根据用户评分数据对用户进行建模,并根据评分数据集构建多维用户网络,再加入局域世界演化理论形成动态多维网络;然后根据改进的K-means算法对用户聚类;最后根据最近邻居得到目标用户的预测评分作出推荐,从而形成一种应用于动态多维社会网络中的个性化推荐算法.实验表明,相比协同过滤个性化推荐系统,新推荐策略的预测值和真实值之间的误差较小,个性化推荐水平得到了一定程度的提高.