CN103488714A - 一种基于社交网络的图书推荐方法和系统 - Google Patents

Abstract

一种基于社交网络的图书推荐方法和系统，方法包括有：步骤1、提取用户与其他用户在社交网络中的互动信息，为用户构建若干个互动类型好友组，然后将与用户有成功互动关系的其他用户根据其互动类型划分到不同的互动类型好友组中，所述成功互动是用户对自己与其他用户之间的互动关系进行回应；步骤2、分别计算用户和每个互动类型好友组中的每个好友的成功互动数，然后从每个互动类型好友组中挑选出成功互动数最大的前若干个好友，最后将所述若干个好友的阅读最多的图书向用户推荐。本发明属于网络通信技术领域，能根据用户在社交网络中的互动行为来进行图书的个性化推荐。

Description

一种基于社交网络的图书推荐方法和系统

技术领域

本发明涉及一种基于社交网络的图书推荐方法和系统，属于网络通信技术领域。

背景技术

移动阅读作为一种互联网时代的新兴阅读形式，逐渐为广大互联网用户所接受，如何准确把握用户的阅读偏好、快速将符合用户喜好的信息以直线距离推送到用户面前显得尤为重要。互联网用户倾向于通过推荐、评论、加关注等互动方式与其他用户进行交互、或表达自己的喜好，如何针对用户的偏好和互动行为进行个性化的图书智能推荐是一个重要的问题。

现有的很多移动阅读的用户空间中都具有增加偶像和好友的功能，而且好友之间可以进行图书的赠送、推荐和借阅等互动行为。现有的很多推荐功能都是基于用户的历史阅读行为或者采用协同过滤的方法进行推荐，而根据用户之间的相互关系和互动行为进行图书推荐的推荐方法较少。

因此，如何根据用户在社交网络中的互动行为来进行图书的个性化推荐，仍是一个值得深入研究的技术问题。

发明内容

有鉴于此，本发明的目的是提供一种基于社交网络的图书推荐方法和系统，能根据用户在社交网络中的互动行为来进行图书的个性化推荐。

为了达到上述目的，本发明提供了一种基于社交网络的图书推荐方法，包括有：

步骤1、提取用户与其他用户在社交网络中的互动信息，为用户构建若干个互动类型好友组，然后将与用户有成功互动关系的其他用户根据其互动类型划分到不同的互动类型好友组中，所述成功互动是用户对自己与其他用户之间的互动关系进行回应；

步骤2、分别计算用户和每个互动类型好友组中的每个好友的成功互动数，然后从每个互动类型好友组中挑选出成功互动数最大的前若干个好友，最后将所述若干个好友的阅读最多的图书向用户推荐。

为了达到上述目的，本发明还提供了一种基于社交网络的图书推荐系统，包括有：

互动好友组构建装置，用于提取用户与其他用户在社交网络中的互动信息，为用户构建若干个互动类型好友组，然后将与用户有成功互动关系的其他用户根据其互动类型划分到不同的互动类型好友组中，所述成功互动是用户对自己与其他用户之间的互动关系进行回应；

图书推荐装置，用于分别计算用户和用户的每个互动类型好友组中的每个好友的成功互动数，然后从用户的每个互动类型好友组中挑选出成功互动数最大的前若干个好友，最后将所述若干个好友的阅读最多的图书向用户推荐。

与现有技术相比，本发明的有益效果是：本发明可以充分利用用户在社交网络中的互动数据，结合用户的历史阅读行为，给用户推荐其可能喜欢的图书，从而提升图书的点击率和订购率；本发明可以通过用户与其他用户之间互动连接强度的计算，挑选出与用户相似性较高的其他用户，再将这些用户划分到不同的互动类型好友组中；本发明可以根据用户和所有好友的互动类型和成功互动数，来计算不同互动类型中向用户推荐的图书数，并根据不同互动类型好友组中好友的阅读偏好，从而确定向用户推荐的图书内容，因而所推荐图书更具有多样性；本发明可以应用在移动网和互联网的图书阅读平台中。

附图说明

图1是本发明一种基于社交网络的图书推荐方法流程图。

图2是图1步骤2的具体操作流程图。

图3是图1步骤24对于第i种互动类型的具体操作流程图。

图4是本发明一种基于社交网络的图书推荐系统的组成结构示意图。

图5是图书推荐装置的组成结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

如图1所示，本发明一种基于社交网络的图书推荐方法，包括有：

步骤1、提取用户与其他用户在社交网络中的互动信息，为用户构建若干个互动类型好友组，然后将与用户有成功互动关系的其他用户根据其互动类型划分到不同的互动类型好友组中；

所述互动信息可以包括但不限于：关注信息、推荐图书信息、赠送图书信息、借阅图书信息，所述互动类型可以包括但不限于：关注类型、推荐图书类型、赠送图书类型、借阅图书类型；

所述成功互动是用户对自己与其他用户之间的互动关系进行回应，例如用户A对关注自己的用户B加关注、用户A阅读用户C推荐的图书、用户A阅读用户D赠送的图书、用户A阅读用户E借阅的图书，则用户A和B、用户A和C、用户A和D、用户A和E存在有成功互动关系；

所述互动类型好友组根据互动类型，可以包括但不限于：关注好友组、推荐好友组、赠送好友组、借阅好友组，例如，用户B、C、D、E分别根据其互动类型被划分到用户A的关注好友组、推荐好友组、赠送好友组、借阅好友组中；

步骤2、分别计算用户和每个互动类型好友组中的每个好友的成功互动数，然后从每个互动类型好友组中挑选出成功互动数最大的前若干个好友，最后将所述若干个好友的阅读最多的图书向用户推荐。

所述步骤1中，还可以通过用户与其他用户之间互动连接强度的计算，挑选出与用户相似性较高的其他用户，再将这些用户划分到不同的互动类型好友组中。所述步骤1进一步包括有：

步骤11、为用户构建若干个互动类型好友组；

步骤12、根据用户与其他用户在社交网络中的互动信息，挑选出所有与用户有成功互动关系的其他用户，并根据不同用户之间不同互动类型的成功互动数，逐一计算每个其他用户和用户之间的互动连接强度，如果所述互动连接强度大于强度阈值，则将所述其他用户根据其与用户的互动类型划分到用户对应的互动类型好友组中，所述强度阈值根据实际业务需要而定。

所述步骤12中，其他用户和用户之间的互动连接强度的计算公式如下：

$\mathrm{Linkage}\_\mathrm{strength}\left(k\right)=\underset{i=1}{\overset{\mathrm{inter}\_\mathrm{type}}{\mathrm{\Σ}}}\mathrm{strength}\_\mathrm{weight}\left(i\right)\×\mathrm{linkage}\_\mathrm{count}(i,k),$ 其中，Linkage_strength（k）是用户和用户k之间的互动连接强度；strength_weight(i)是第i种互动类型的互动连接强度贡献权重，可以根据业务特征对不同的互动类型设置不同的值，也可以根据后期互动效果来动态设置不同的值；linkage_count（i,k）是用户和用户k对于第i种互动类型的成功互动数，例如：用户阅读了用户C推荐的图书B1和B2，那么，用户和用户C对于互动类型“推荐图书类型”的成功互动数是2；inter_type是互动类型总数。互动连接强度表明了用户之间的相互连接关系的强度，其值越大，表明两个用户之间的互动关系越频繁，互动的成功率越高，同时也从一个方面说明两个用户的相似性较高。

所述步骤2中，还可以根据用户在不同互动类型中的成功互动数来计算各种互动类型的推荐图书数，并从对应的互动类型好友组中挑选相应数量的图书向用户推荐。如图2所示，步骤2进一步包括有：

步骤21、根据用户与其他用户的互动信息，分别统计用户和每个互动类型好友组中的每个好友的成功互动数，例如：用户分别阅读了用户C推荐的图书B1和B2，则用户和“推荐好友组”中的用户C的成功互动数是2；

步骤22、根据用户和每个互动类型好友组中的所有好友的成功互动数，计算用户与每个互动类型好友组的成功互动数；

所述步骤22中，用户与每个互动类型好友组的成功互动数的计算公式如下： $\mathrm{linkage}\_\mathrm{countz}\left(i\right)=\underset{t=1}{\overset{T\left(i\right)}{\mathrm{\Σ}}}\mathrm{linkage}\_\mathrm{count}(i,t),$ 其中，linkage_countz(i)是用户与第i个互动类型好友组的成功互动数，linkage_count（i,t）是用户与第i个互动类型好友组中的好友t对于第i种互动类型的成功互动数，T(i)是第i个互动类型好友组中的好友总数；

步骤23、根据用户和每个互动类型好友组的成功互动数、以及向用户推荐的图书总数，计算每种互动类型中向用户推荐的图书数；

所述步骤23中，每种互动类型中向用户推荐的图书数的计算公式如下： $\mathrm{book}\_\mathrm{count}\left(i\right)=\mathrm{book}\_\mathrm{count}*\frac{\mathrm{linkage}\_\mathrm{countz}\left(i\right)}{\underset{i=1}{\overset{\mathrm{inter}\_\mathrm{type}}{\mathrm{\Σ}}}\mathrm{linkage}\_\mathrm{countz}\left(i\right)},$ 其中，book_count(i)是第i种互动类型中向用户推荐的图书数；book_count是向用户推荐的图书总数，其值根据业务实际需要而定；linkage_countz(i)是用户与第i个互动类型好友组的成功互动数；inter_type是互动类型总数；是用户与所有互动类型好友组的成功互动数之和，并对book_count(i)的数值取整；

步骤24、按照每种互动类型中向用户推荐的图书数：book_count(i)，book_count(i)是第i种互动类型中向用户推荐的图书数，从每个互动类型好友组中挑选出成功互动数最大的前book_count(i)个好友，并逐一提取每个好友在一段时间内阅读最多的一本图书向用户推荐。

如图3所示，所述步骤24中，对于第i种互动类型来说，进一步包括有：

步骤241、按照用户和第i个互动类型好友组中的每个好友的成功互动数从大到小的顺序，对第i个互动类型好友组中的所有好友进行排序；

步骤242、从第i个互动类型好友组中顺序提取排序最前的一个好友；

步骤243、根据所述提取好友的阅读历史数据，挑选出一本其在一段时间内（例如最近6个月）阅读次数最多的图书；

步骤244、判断所述挑选的图书是否未向所述用户推荐、且所述用户未阅读过？如果是，则将所述挑选的图书向用户推荐，然后继续步骤245；如果否，则从所述提取好友的阅读历史数据中删除所述挑选的图书，并继续从所述提取好友的阅读历史数据中挑选出一本其在一段时间内阅读次数最多的图书，然后转向步骤244；

步骤245、调整第i种互动类型中向用户推荐的图书数：book_count(i)=book_count(i)-1，并判断调整后的第i种互动类型中向用户推荐的图书数（即book_count(i)）是否大于0？如果是，则继续步骤246；如果否，则本流程结束；

步骤246、判断所述提取好友是否排在第i个互动类型好友组中的最后一个？如果是，则转向步骤242；如果否，则从第i个互动类型好友组中继续提取排在所述提取好友下一个的好友，并转向步骤243。

如图4所示，本发明一种基于社交网络的图书推荐系统，包括有：

互动好友组构建装置，用于提取用户与其他用户在社交网络中的互动信息，为用户构建若干个互动类型好友组，然后将与用户有成功互动关系的其他用户根据其互动类型划分到不同的互动类型好友组中，所述成功互动是用户对自己与其他用户之间的互动关系进行回应；

图书推荐装置，用于分别计算用户和用户的每个互动类型好友组中的每个好友的成功互动数，然后从用户的每个互动类型好友组中挑选出成功互动数最大的前若干个好友，最后将所述若干个好友的阅读最多的图书向用户推荐。

所述互动好友组构建装置进一步包括有：

互动连接强度计算单元，用于根据用户与其他用户在社交网络中的互动信息，挑选出所有与用户有成功互动关系的其他用户，并根据不同用户之间不同互动类型的成功互动数，逐一计算每个其他用户和用户之间的互动连接强度，如果所述互动连接强度大于强度阈值，则将所述其他用户根据其与用户的互动类型划分到用户对应的互动类型好友组中，所述强度阈值的值根据实际业务需要而设定。

所述互动连接强度计算单元中，其他用户和用户之间的互动连接强度的计算公式如下：

$\mathrm{Linkage}\_\mathrm{strength}\left(k\right)=\underset{i=1}{\overset{\mathrm{inter}\_\mathrm{type}}{\mathrm{\Σ}}}\mathrm{strength}\_\mathrm{weight}\left(i\right)\×\mathrm{linkage}\_\mathrm{count}(i,k),$ 其中，Linkage_strength（k）是用户和用户k之间的互动连接强度；strength_weight(i)是第i种互动类型的互动连接强度贡献权重，可以根据业务特征对不同的互动类型设置不同的值，也可以根据后期互动效果来动态设置不同的值；linkage_count（i,k）是用户和用户k对于第i种互动类型的成功互动数；inter_type是互动类型总数。

如图5所示，所述图书推荐装置进一步包含有：

成功互动数计算单元，用于根据用户与其他用户的互动信息，分别计算用户和每个互动类型好友组中的每个好友的成功互动数；

互动图书推荐数计算单元，用于根据用户和每个互动类型好友组中的所有好友的成功互动数，计算用户与每个互动类型好友组的成功互动数，并根据向用户推荐的图书总数，计算每种互动类型中向用户推荐的图书数；

推荐图书选择单元，用于按照每种互动类型中向用户推荐的图书数，从每个互动类型好友组中挑选出成功互动数最大的、且与每种互动类型中向用户推荐的图书数一致的好友，并逐一提取每个好友在一段时间内阅读最多的一本图书向用户推荐。

所述互动图书推荐数计算单元中，用户与每个互动类型好友组的成功互动数的计算公式如下： $\mathrm{linkage}\_\mathrm{countz}\left(i\right)=\underset{t=1}{\overset{T\left(i\right)}{\mathrm{\Σ}}}\mathrm{linkage}\_\mathrm{count}(i,t),$ 其中，linkage_countz(i)是用户与第i个互动类型好友组的成功互动数，linkage_count（i,t）是用户与第i个互动类型好友组中的好友t对于第i种互动类型的成功互动数，T(i)是第i个互动类型好友组中的好友总数。

所述互动图书推荐数计算单元中，每种互动类型中向用户推荐的图书数的计算公式如下： $\mathrm{book}\_\mathrm{count}\left(i\right)=\mathrm{book}\_\mathrm{count}*\frac{\mathrm{linkage}\_\mathrm{countz}\left(i\right)}{\underset{i=1}{\overset{\mathrm{inter}\_\mathrm{type}}{\mathrm{\Σ}}}\mathrm{linkage}\_\mathrm{countz}\left(i\right)},$ 其中，book_count(i)是第i种互动类型中向用户推荐的图书数，book_count是向用户推荐的图书总数，linkage_countz(i)是用户与第i个互动类型好友组的成功互动数，inter_type是互动类型总数，

是用户与所有互动类型好友组的成功互动数之和，并对book_count(i)的数值取整。

所述推荐图书选择单元进一步包括有：

好友选择部件，用于按照用户和每个互动类型好友组中的每个好友的成功互动数从大到小的顺序，对每个互动类型好友组中的所有好友进行排序，然后按照每种互动类型中向用户推荐的图书数，顺序从互动类型好友组中提取相应数量的好友，如果已提取至互动类型好友组中的最后一个、且已向用户推荐的图书数小于该种互动类型中向用户推荐的图书数时，继续从互动类型好友组中提取排在最前的一个好友，直至已向用户推荐的图书数等于该种互动类型中向用户推荐的图书数为止。

申请人通过提取实际的图书访问数据和真实的目标用户，对本发明进行了验证和推荐效果评估。为了对本发明的推荐效果的准确度进行模拟，采用推荐图书中用户过去六月曾经阅读的图书所占比例作为推荐准确率。共有627156条推荐记录，共推给23821人（人均26本）。按类别统计，本发明推荐的准确度较好。具体如下表1所示：

推荐来源	平均准确度
		根据好友推荐	28.87%
根据借阅推荐	42.80%
		根据推荐推荐	89.23%
根据赠阅推荐	73.08%

表1

另外，从被推荐图书分类看，图书分类分布也较为丰富，并且与平台图书的类型较为相似。如表2所示，共有70个分类，其中穿越和言情总共达到50%，共有10个分类推荐图书数量超过10000本。

序号	类别	图书数
			1	穿越	160837
2	言情	158776
			3	玄幻	55663
4	都市	47411
			5	青春	44598
6	仙侠	25390
			7	游戏	21422
8	悬疑	20140
			9	科幻	11097
10	奇幻	10665
			11	影视	7790
12	历史	7716
			13	生活	7387
14	武侠	4289
			15	时尚	3976

表2

通过验证，本发明能够解决现有技术的不足，实现了发明目的和较好的技术效果。

上述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (14)

1.一种基于社交网络的图书推荐方法，其特征在于，包括有：

步骤1、提取用户与其他用户在社交网络中的互动信息，为用户构建若干个互动类型好友组，然后将与用户有成功互动关系的其他用户根据其互动类型划分到不同的互动类型好友组中，所述成功互动是用户对自己与其他用户之间的互动关系进行回应；

步骤2、分别计算用户和每个互动类型好友组中的每个好友的成功互动数，然后从每个互动类型好友组中挑选出成功互动数最大的前若干个好友，最后将所述若干个好友的阅读最多的图书向用户推荐。

2.根据权利要求1所述的方法，其特征在于，步骤1进一步包括有：

根据用户与其他用户在社交网络中的互动信息，挑选出所有与用户有成功互动关系的其他用户，并根据不同用户之间不同互动类型的成功互动数，逐一计算每个其他用户和用户之间的互动连接强度，如果所述互动连接强度大于强度阈值，则将所述其他用户根据其与用户的互动类型划分到用户对应的互动类型好友组中。

3.根据权利要求2所述的方法，其特征在于，其他用户和用户之间的互动连接强度的计算公式如下：

$\mathrm{Linkage}\_\mathrm{strength}\left(k\right)=\underset{i=1}{\overset{\mathrm{inter}\_\mathrm{type}}{\mathrm{\Σ}}}\mathrm{strength}\_\mathrm{weight}\left(i\right)\×\mathrm{linkage}\_\mathrm{count}(i,k),$ 其中，Linkage_strength（k）是用户和用户k之间的互动连接强度；strength_weight(i)是第i种互动类型的互动连接强度贡献权重；linkage_count（i,k）是用户和用户k对于第i种互动类型的成功互动数；inter_type是互动类型总数。

4.根据权利要求1所述的方法，其特征在于，步骤2进一步包括有：

步骤21、根据用户与其他用户的互动信息，分别统计用户和每个互动类型好友组中的每个好友的成功互动数；

步骤22、根据用户和每个互动类型好友组中的所有好友的成功互动数，计算用户与每个互动类型好友组的成功互动数；

步骤23、根据用户和每个互动类型好友组的成功互动数、以及向用户推荐的图书总数，计算每种互动类型中向用户推荐的图书数；

步骤24、按照每种互动类型中向用户推荐的图书数：book_count(i)，book_count(i)是第i种互动类型中向用户推荐的图书数，从每个互动类型好友组中挑选出成功互动数最大的前book_count(i)个好友，并逐一提取每个好友在一段时间内阅读最多的一本图书向用户推荐。

5.根据权利要求4所述的方法，其特征在于，步骤22中，用户与每个互动类型好友组的成功互动数的计算公式如下： $\mathrm{linkage}\_\mathrm{countz}\left(i\right)=\underset{t=1}{\overset{T\left(i\right)}{\mathrm{\Σ}}}\mathrm{linkage}\_\mathrm{count}(i,t),$ 其中，linkage_countz(i)是用户与第i个互动类型好友组的成功互动数，linkage_count（i,t）是用户与第i个互动类型好友组中的好友t对于第i种互动类型的成功互动数，T(i)是第i个互动类型好友组中的好友总数。

6.根据权利要求4所述的方法，其特征在于，步骤23中，每种互动类型中向用户推荐的图书数的计算公式如下： $\mathrm{book}\_\mathrm{count}\left(i\right)=\mathrm{book}\_\mathrm{count}*\frac{\mathrm{linkage}\_\mathrm{countz}\left(i\right)}{\underset{i=1}{\overset{\mathrm{inter}\_\mathrm{type}}{\mathrm{\Σ}}}\mathrm{linkage}\_\mathrm{countz}\left(i\right)},$ 其中，book_count(i)是第i种互动类型中向用户推荐的图书数；book_count是向用户推荐的图书总数；linkage_countz(i)是用户与第i个互动类型好友组的成功互动数；inter_type是互动类型总数；

是用户与所有互动类型好友组的成功互动数之和，并对book_count(i)的数值取整。

7.根据权利要求4所述的方法，其特征在于，步骤24中，对于第i种互动类型来说，进一步包括有：

步骤241、按照用户和第i个互动类型好友组中的每个好友的成功互动数从大到小的顺序，对第i个互动类型好友组中的所有好友进行排序；

步骤242、从第i个互动类型好友组中顺序提取排序最前的一个好友；

步骤243、根据所述提取好友的阅读历史数据，挑选出一本其在一段时间内阅读次数最多的图书；

步骤244、判断所述挑选的图书是否未向所述用户推荐、且所述用户未阅读过，如果是，则将所述挑选的图书向用户推荐，然后继续步骤245；如果否，则从所述提取好友的阅读历史数据中删除所述挑选的图书，并继续从所述提取好友的阅读历史数据中挑选出一本其在一段时间内阅读次数最多的图书，然后转向步骤244；

步骤245、调整第i种互动类型中向用户推荐的图书数：book_count(i)=book_count(i)-1，并判断调整后的第i种互动类型中向用户推荐的图书数是否大于0，如果是，则继续步骤246；如果否，则本流程结束；

步骤246、判断所述提取好友是否排在第i个互动类型好友组中的最后一个，如果是，则转向步骤242；如果否，则从第i个互动类型好友组中继续提取排在所述提取好友下一个的好友，并转向步骤243。

8.一种基于社交网络的图书推荐系统，其特征在于，包括有：

互动好友组构建装置，用于提取用户与其他用户在社交网络中的互动信息，为用户构建若干个互动类型好友组，然后将与用户有成功互动关系的其他用户根据其互动类型划分到不同的互动类型好友组中，所述成功互动是用户对自己与其他用户之间的互动关系进行回应；

图书推荐装置，用于分别计算用户和用户的每个互动类型好友组中的每个好友的成功互动数，然后从用户的每个互动类型好友组中挑选出成功互动数最大的前若干个好友，最后将所述若干个好友的阅读最多的图书向用户推荐。

9.根据权利要求8所述的系统，其特征在于，所述互动好友组构建装置进一步包括有：

互动连接强度计算单元，用于根据用户与其他用户在社交网络中的互动信息，挑选出所有与用户有成功互动关系的其他用户，并根据不同用户之间不同互动类型的成功互动数，逐一计算每个其他用户和用户之间的互动连接强度，如果所述互动连接强度大于强度阈值，则将所述其他用户根据其与用户的互动类型划分到用户对应的互动类型好友组中。

10.根据权利要求9所述的系统，其特征在于，其他用户和用户之间的互动连接强度的计算公式如下：

$\mathrm{Linkage}\_\mathrm{strength}\left(k\right)=\underset{i=1}{\overset{\mathrm{inter}\_\mathrm{type}}{\mathrm{\Σ}}}\mathrm{strength}\_\mathrm{weight}\left(i\right)\×\mathrm{linkage}\_\mathrm{count}(i,k),$ 其中，Linkage_strength（k）是用户和用户k之间的互动连接强度；strength_weight(i)是第i种互动类型的互动连接强度贡献权重；linkage_count（i,k）是用户和用户k对于第i种互动类型的成功互动数；inter_type是互动类型总数。

11.根据权利要求9所述的系统，其特征在于，所述图书推荐装置进一步包含有：

成功互动数计算单元，用于根据用户与其他用户的互动信息，分别计算用户和每个互动类型好友组中的每个好友的成功互动数；

互动图书推荐数计算单元，用于根据用户和每个互动类型好友组中的所有好友的成功互动数，计算用户与每个互动类型好友组的成功互动数，并根据向用户推荐的图书总数，计算每种互动类型中向用户推荐的图书数；

推荐图书选择单元，用于按照每种互动类型中向用户推荐的图书数，从每个互动类型好友组中挑选出成功互动数最大的、且与每种互动类型中向用户推荐的图书数一致的好友，并逐一提取每个好友在一段时间内阅读最多的一本图书向用户推荐。

12.根据权利要求11所述的系统，其特征在于，所述互动图书推荐数计算单元中，用户与每个互动类型好友组的成功互动数的计算公式如下： $\mathrm{linkage}\_\mathrm{countz}\left(i\right)=\underset{t=1}{\overset{T\left(i\right)}{\mathrm{\Σ}}}\mathrm{linkage}\_\mathrm{count}(i,t),$ 其中，linkage_countz(i)是用户与第i个互动类型好友组的成功互动数，linkage_count（i,t）是用户与第i个互动类型好友组中的好友t对于第i种互动类型的成功互动数，T(i)是第i个互动类型好友组中的好友总数。

13.根据权利要求11所述的系统，其特征在于，所述互动图书推荐数计算单元中，每种互动类型中向用户推荐的图书数的计算公式如下： $\mathrm{book}\_\mathrm{count}\left(i\right)=\mathrm{book}\_\mathrm{count}*\frac{\mathrm{linkage}\_\mathrm{countz}\left(i\right)}{\underset{i=1}{\overset{\mathrm{inter}\_\mathrm{type}}{\mathrm{\Σ}}}\mathrm{linkage}\_\mathrm{countz}\left(i\right)},$ 其中，book_count(i)是第i种互动类型中向用户推荐的图书数，book_count是向用户推荐的图书总数，linkage_countz(i)是用户与第i个互动类型好友组的成功互动数，inter_type是互动类型总数，是用户与所有互动类型好友组的成功互动数之和，并对book_count(i)的数值取整。

14.根据权利要求11所述的系统，其特征在于，所述推荐图书选择单元进一步包括有：

好友选择部件，用于按照用户和每个互动类型好友组中的每个好友的成功互动数从大到小的顺序，对每个互动类型好友组中的所有好友进行排序，然后按照每种互动类型中向用户推荐的图书数，顺序从互动类型好友组中提取相应数量的好友，如果已提取至互动类型好友组中的最后一个、且已向用户推荐的图书数小于该种互动类型中向用户推荐的图书数时，继续从互动类型好友组中提取排在最前的一个好友，直至已向用户推荐的图书数等于该种互动类型中向用户推荐的图书数为止。

Images