數字圖書館協(xié)同過濾推薦系統(tǒng)的最近鄰集合確定方法研究.pdf

1、目的：
　　隨著計算機技術和信息技術的飛速發(fā)展，信息過載問題成為人們日益關注的焦點，人們無法在茫茫的的信息海洋中快速高效地檢索到自己所需要的信息。這種現象直接催生了個性化推薦技術的產生和發(fā)展。個性化推薦技術最初應用于電子商務領域，并迅速取得了顯著的成績，之后逐漸延伸到數字圖書館領域，為數字圖書館的個性化服務、信息資源推廣提供了技術支持。
　　本研究試圖將聚類算法引入到數字圖書館的協(xié)同過濾系統(tǒng)中，嘗試利用聚類方法確定協(xié)同過濾推

2、薦系統(tǒng)中目標用戶的最近鄰集合，旨在初步探討利用聚類方法確定最近鄰集合的協(xié)同過濾推薦技術對數字圖書館的讀者進行個性化服務的可行性。
　　材料和方法：
　　通過調查問卷的方式獲得中國醫(yī)科大學47名腫瘤學研究生的畢業(yè)論文題目，根據其內容制定相應的檢索策略，在Pubmed數據庫中檢索出文獻并將其按相關度進行排序，選取各檢索結果的前5篇文獻組成評分文獻集，讓調查用戶分別對評分文獻集中的至少15篇文獻（包括與論文題目最相關的5篇文獻和其

3、他隨機的10篇文獻）進行評分，評分值范圍從1至5，1表示最不感興趣，5表示最感興趣。根據評分結果建立評分矩陣并進行預處理，然后使用SPSS19.0對用戶進行聚類。依次以1名用戶為目標用戶，其余46名用戶為基本用戶。目標用戶確定后，首先根據聚類結果判定目標用戶的所屬類別，然后將其類別內的用戶確定為最近鄰集合，根據最近鄰對文獻的評價預測目標用戶的評分并向其推薦文獻。推薦結果使用平均絕對誤差(MAE)進行評價。
　　結果：
　　4

4、7名腫瘤學研究生(19名博士，28名碩士)對文獻進行評分后，形成47*222階的評分矩陣。對用戶的評分矩陣進行聚類后，將47名用戶聚成6大類，其中第一大類包括用戶2、12、4、9、3、15、40、1、5、7、45、41，第二大類包括用戶38、42、16、24、43，第三大類包括11、37、20、27、19、44，第四大類包括8、46、34、13、18、28、35，第五大類包括22、39、23、33、47、17、21、32，第六大類包括6

5、、30、25、10、26、14、36、31、29。當目標用戶分別歸屬于不同類目時，最近鄰集合內的用戶數分別為4、6、4、5、6、7、8。根據最近鄰對文獻的評價預測目標用戶的評分，并向其推薦預測評分最高的5篇文獻。對推薦文獻進行有效的二次評分的用戶為35名，其MAE值均在0-1之間，說明預測結果比較接近用戶對文獻的實際預測分值。
　　結論：
　　利用聚類確定協(xié)同過濾推薦系統(tǒng)最近鄰居集合的方法，可以避免傳統(tǒng)的最近鄰確定方法的主觀