基于用户兴趣序列相似性度量的图书协同过滤推荐方法研究王刚郭雪梅摘要论文通过用户在一系列时间节点对所借阅图书的评分形成用户兴趣序列，并提取用户之间的最长公共兴趣子序列（LCSIS）和所有公共兴趣子序列（ACSIS），以此为基础计算用户之间的相似性并与传统的协同过滤推荐方法相结合，提出了基于用户兴趣序列的改进协同过滤图书推荐方法。將本文提出的方法和传统的基于用户的协同过滤推荐方法在天津医科大学图书馆图书借阅数据集进行实验验证，结果发现该方法在推荐效果上优于传统方法。关键词用户兴趣序列相似性度量协同过滤推荐智能荐书分类号G250.7DOI10.16810/j.cnki.1672-514X.2019.11.008ResearchonBookCollaborativeFilteringRecommendationBasedonSimilarityMeasurementofUsersInterestSequencesWangGang，GuoXuemeiAbstractThispaperformsuserinterestsequencethroughtheuserratingoftheborrowedbooksinaseriesoftimenodes，andexactstheLongestCommonSub-IS（LCSIS）andAllCommonSub-IS（ACSIS）betweenusersinterestsequences.Basedonthis，thesimilaritybetweenusersismeasuredandcombinedwiththetraditionalcollaborativefilteringbookrecommendationmethod，andanimprovedcollaborativefilteringbookrecommendationmethodbasedonuserinterestsequenceisproposed.Theproposedmethodiscomparedwiththetraditionaluserbasedcollaborativefilteringrecommendationmethodbyexperimentonourlibrarydatabase.Theexperimentalresultsshowthattheproposedmethodissuperiortothetraditionalmethodinbookrecommendationeffect.KeywordsUsersinterestsequence.Similaritymeasurement.Collaborativefilteringrecommendation.Intelligentbookrecommendation.0引言随着互联网技术的迅速发展，数字图书馆的信息量日益增多，浏览大量无关的图书信息会使读者浪费大量的时间，并导致信息过载现象[1]。为了适应图书馆馆藏数量快速增长的实际情况，便于用户快速准确获取所需馆藏资源，个性化推荐服务应运而生。在图书馆个性化推荐服务所使用的技术中，协同过滤推荐方法应用最为广泛，它通过收集众多类似用户的兴趣来预测用户的评分，该方法基于的假设是过去有类似兴趣的用户在未来可能有共同的兴趣[2-3]。协同过滤最广泛的处理方式是基于目标用户最近邻方法进行实现，它依赖于用户之间的相似性，选择最相似的用户作为目标用户的最近邻，然后使用最近邻的项目评分来预测目标用户的项目评分[4]，而对于用户随着时间变化对于项目评分的序列很少被研究，因此本文将评分序列作为研究重点。1相关研究协同信息推荐系统逐渐被应用到数字图书馆中，并成为该领域的主要研究主题之一[3]。董坤提出构建基于协同过滤算法的个性化图书推荐系统，该方法通过引入读者专业、角色、学历、借阅记录等影响和反映读者信息需求的因素构建读者特征模型，基于该模型采用优化的协同过滤算法挖掘读者信息需求，并产生个性化图书推荐信息[5]。林晓霞等在研究传统协同过滤算法的基础上，首先利用借阅记录中的数据构建评分矩阵，然后融合信任相似度对用户相似度进行改进，同时引入对新生、新书推荐的解决方法，并对图书馆借阅数据集进行对比实验[6]。宋楚平提出一种协同过滤改进方法，以图书分类为图书生成用户评价矩阵，并考虑借阅方式、借阅时间和图书相似度对用户兴趣度的影响，优化矩阵中的样本数据;同时，在计算读者相似度时融入读者特征和图书特征[7]。对相关研究的分析中可以发现，实现图书推荐服务相似性度量是首要工作，最常用的相似性度量方法包括皮尔逊相关系数、余弦相似性和改进余弦相似性等[8]。但是，现有的基于协同过滤的图书推荐方法忽略了用户对于所评分图书的顺序，而用户所借阅图书的评分序列对于提高推荐准确度至关重要，这是由于用户各自的特征会导致每个用户产生独特的项目评分序列，此外评分序列可以反映用户兴趣和偏好的变化，这在一定程度上可以揭示用户兴趣偏好的潜在信息。因此，基于协同过滤的图书推荐中，用户对于所借阅图书的兴趣序列比单个项目评分包含更多的语义，这些语义可以用...