CN105045867A - 一种基于图书评分的图书作家推荐方法 - Google Patents

Abstract

一种基于图书评分的图书作家推荐方法，包括：读取用户已阅读过的图书及其作家、和用户对图书的评分，将用户已阅读过的图书的作家构成用户的已阅读作家集，将用户未阅读过其图书的作家构成用户的未阅读作家集，并根据用户对已阅读过的图书的评分，计算用户对已阅读作家集中的每个作家的评分；为未阅读作家集中每个未阅读作家构建各自的邻近作家集，并将已阅读作家集中和每个未阅读作家相似度高的已阅读作家保存到未阅读作家的邻近作家集中，然后根据未阅读作家和其邻近作家集中每个邻近作家的相似度值，预测用户对未阅读作家的评分，从而选择若干个评分高的未阅读作家向用户推荐。本发明属于数据业务领域，能为用户推荐符合其个性化偏好的作家。

Description

一种基于图书评分的图书作家推荐方法

技术领域

本发明涉及一种基于图书评分的图书作家推荐方法，属于数据业务领域。

背景技术

传统的移动阅读领域中，用户一般仅针对于所阅读的图书进行评分。用户对图书的作家经常会存在有特殊的偏好或者厌恶情绪，但由于现有的图书推荐系统缺乏用户对作家的评分数据，因而很难向用户推荐符合其个性化偏好的图书作家：一方面，许多知名作家通常有多本图书可供选择，现有图书推荐系统通常采用同作者推荐图书的方式来向用户推荐同一个作家的多本图书，当用户不喜欢某个作家时，则会出现推荐图书的点击率和购买率下降甚至投诉的情况；另一方面，某些作家之间存在题材、风格和故事情节上的相似性，用户在阅读过一本图书之后可能会希望被推荐相似类型的作家的图书，现有的同作者推荐图书方式无法实现该功能，从而导致用户无法获取其喜好的相似作家的图书，降低了推荐的新颖性和覆盖率。

因此，如何为用户推荐符合其个性化偏好的图书作家，仍是一个未解决的技术问题。

发明内容

有鉴于此，本发明的目的是提供一种基于图书评分的图书作家推荐方法，能根据用户对图书的评分来为用户推荐符合其个性化偏好的图书作家。

为了达到上述目的，本发明提供了一种基于图书评分的图书作家推荐方法，包括有：

步骤一、从用户的阅读历史数据中读取用户已阅读过的图书及其作家、和用户对图书的评分，将用户已阅读过的图书的作家构成用户的一个已阅读作家集，将用户未阅读过其图书的作家构成用户的一个未阅读作家集，并根据用户对已阅读过的图书的评分，计算用户对已阅读作家集中的每个已阅读作家的评分；

步骤二、为用户的未阅读作家集中的每个未阅读作家分别构建各自的邻近作家集，并将用户的已阅读作家集中和每个未阅读作家相似度高的已阅读作家保存到未阅读作家的邻近作家集中，然后根据未阅读作家和其邻近作家集中的邻近作家之间的相似度值，预测用户对每个未阅读作家的评分，从而选择若干个评分高的未阅读作家向用户推荐。

与现有技术相比，本发明的有益效果是：在传统的图书推荐系统中，一般是先根据用户对图书的阅读行为和喜好程度来获得用户对图书的评分，然后计算作家所有图书的平均分或者加权平均分来得到用户对作家的评分。由于移动阅读平台的特殊性，用户通常是采用按本或者按章计费的方式对图书进行购买的，有些用户可能由于阅读过某作家类似主题或者情节的图书而放弃购买其中的部分章节，而按照传统的移动阅读平台上用户对作家的评分方式会使得其在该作家某本图书上的评分并不高，但这并不意味着该用户不喜欢该本图书，更不能判定该用户不喜欢该作家，因而简单采用平均分或者加权平均分的方式来计算用户对作家的评分的方式并不合理，难以忠实体现用户对作家的喜好程度。本发明考虑不同用户对于作家图书的访问特点，针对用户对该作家对应图书的评分数量以及评分的分布情况，同时结合作家在平台上的图书数量，形成用户对作家的评分，既考虑到了用户对作家的图书喜好程度，同时也反映了用户对作家的忠诚度和覆盖率。本发明以用户对作家的评分为基础，计算作家之间的相似程度，并利用协同过滤的方法，预测用户对未评分的作家的可能评分，同时结合用户的阅读偏好，形成对用户的作家推荐列表，从而能为用户推荐符合其个性化偏好的图书作家。

附图说明

图1是本发明一种基于图书评分的图书作家推荐方法的流程图。

图2是图1步骤一中，根据用户对已阅读过的图书的评分，计算用户对已阅读作家集中的每个已阅读作家的评分的具体操作流程图。

图3是图1步骤二的具体操作流程图。

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，本发明一种基于图书评分的图书作家推荐方法，包括有：

步骤一、从用户的阅读历史数据中读取用户已阅读过的图书及其作家、和用户对图书的评分，将用户已阅读过的图书的作家(简称已阅读作家)构成用户的一个已阅读作家集，将用户未阅读过其图书的作家(简称未阅读作家)构成用户的一个未阅读作家集，并根据用户对已阅读过的图书的评分，计算用户对已阅读作家集中的每个已阅读作家的评分；

步骤二、为用户的未阅读作家集中的每个未阅读作家分别构建各自的邻近作家集，并将用户的已阅读作家集中和每个未阅读作家相似度高的已阅读作家保存到未阅读作家的邻近作家集(保存到邻近作家集中的已阅读作家简称邻近作家)中，然后根据未阅读作家和其邻近作家集中的邻近作家之间的相似度值，预测用户对每个未阅读作家的评分，从而选择若干个评分高的未阅读作家向用户推荐。

如图2所示，图1步骤一中，根据用户对已阅读过的图书的评分，计算用户对已阅读作家集中的每个已阅读作家的评分可以进一步包括有：

步骤11、从用户的已阅读作家集中逐一读取每个已阅读作家；

步骤12、统计用户对所述已阅读作家的阅读图书数n，并提取用户对所述已阅读作家的所有图书的评分；

步骤13、判断n是否是1？如果是，则将用户对所述已阅读作家的图书的评分book_score保存为用户对已阅读作家的评分：a_s(u，a_yp)＝book_score，其中，a_s(u，a_yp)是用户u对已阅读作家a_yp的评分，本流程结束；如果否，则继续下一步；

步骤14、判断n是否是2？如果是，则从用户对所述已阅读作家的所有图书的评分中挑选最大值max_book_score，并将max_book_score保存为用户对已阅读作家的评分：a_s(u，a_yp)＝max_book_score，本流程结束；如果否，则继续下一步；

步骤15、判断n是否在[3，4]的数值区间范围内？如果是，则统计用户对所述已阅读作家的图书的评分为评分最大阈值s_top的图书数topn，然后计算topn和用户对所述已阅读作家的阅读图书数n的比值topn/n、以及用户对所述已阅读作家的所有阅读图书的评分的标准差和平均值的比值variation，再根据topn/n、variation所在的区间范围，计算用户对已阅读作家的评分：

本流程结束；如果否，则继续下一步；

步骤16、统计用户对所述已阅读作家的图书的评分为评分最大阈值s_top、及评分在[s_sec，s_top]的数值区间范围内的图书数topn、secn，然后分别计算topn、secn和用户对所述已阅读作家的阅读图书数n的比值topn/n、secn/n、以及用户对所述已阅读作家的所有阅读图书的评分的标准差和平均值的比值variation，再根据topn/n、secn/n、variation所在的区间范围，计算用户对已阅读作家的评分，其中，评分最大阈值s_top、评分较大阈值s_sec的值可以根据实际情况而设定，例如当用户对图书的评分在[0，5]的区间范围内时，则s_top＝5，s_sec＝4：

步骤17、判断是否已读取完用户的已阅读作家集中的所有已阅读作家？如果是，则本流程结束；如果否，则继续从用户的已阅读作家集中读取下一个已阅读作家，转向步骤12。

用户对已阅读作家的所有阅读图书的评分的标准差和平均值的比值variation的计算公式如下：其中，是用户u对已阅读作家a_yp的第i本阅读图书的评分，μ是用户对已阅读作家的所有阅读图书的评分的平均值，n是用户u对已阅读作家a_yp的阅读图书数。

如图3所示，图1步骤二进一步包括有：

步骤21、从用户的未阅读作家集中逐一读取每个未阅读作家；

步骤22、为读取的未阅读作家构建一个邻近作家集，所述邻近作家集初始化为空；

步骤23、计算所述未阅读作家和用户的已阅读作家集中的每个已阅读作家之间的相似度值，并将和所述未阅读作家的相似度值大于0的所有已阅读作家保存到所述未阅读作家的邻近作家集中；

步骤24、计算用户对所述未阅读作家的评分： $a\_s(u,a_{wp})=\stackrel{\‾}{a\_s\left(a_{wp}\right)}+\frac{\underset{l=1}{\overset{M}{\Σ}}sim(a_{wp},a_1)(a\_s(u,a_l)-\stackrel{\‾}{a\_s\left(a_l\right)})}{\underset{l=1}{\overset{M}{\Σ}}sim(a_{wp},a_l)},$ 其中，a_s(u,a_wp)是用户u对未阅读作家a_wp的评分，是所有阅读过a_wp的图书的用户对a_wp的评分的平均值，M是未阅读作家a_wp的邻近作家集中的邻近作家总数，a_l是a_wp的邻近作家集中的第l位邻近作家，sim(a_wp,a_l)是未阅读作家a_wp和其邻近作家a_l之间的相似度值，a_s(u,a_l)是用户u对a_l的评分，是所有阅读过a_l的图书的用户对a_l的评分的平均值，的值可以根据图书阅读平台上所有用户对图书的阅读历史数据来获得；

步骤25、判断是否已从用户的未阅读作家集中读取完所有未阅读作家？如果是，则根据用户对未阅读作家的评分，从用户的未阅读作家集中挑选若干个未阅读作家向用户推荐；如果否，则从用户的未阅读作家集中继续读取下一个未阅读作家，然后转向步骤22。

图3步骤23中，计算未阅读作家a_wp和用户的已阅读作家集中的一个已阅读作家a_yp之间的相似度，还可以进一步包括有：

步骤231、分别统计对未阅读作家a_wp、已阅读作家a_yp的图书有过阅读记录的用户名单，并判断两份用户名单中是否存在有共同的用户，然后从中提取若干个共同用户来构成一个共同用户集U；

步骤232、根据共同用户集中每个共同用户对未阅读作家a_wp和已阅读作家a_yp的评分，计算未阅读作家a_wp和已阅读作家a_yp之间的相似度： $sim(a_{wp},a_{yp})=\frac{\underset{k=1}{\overset{K}{\Σ}}a\_s(u_k,a_{wp})\×a\_s(u_k,a_{yp})}{\sqrt{\underset{k=1}{\overset{K}{\Σ}}a\_s{(u_k,a_{wp})}^2}\sqrt{\underset{k=1}{\overset{K}{\Σ}}a\_s{(u_k,a_{yp})}^2}},$ 其中，K是共同用户集U中的共同用户总数，u_k是U中的第k个共同用户，a_s(u_k,a_wp)、a_s(u_k,a_yp)分别是共同用户集U中的共同用户u_k对未阅读作家a_wp和已阅读作家a_yp的评分，其值可以根据图书阅读平台上用户u_k的阅读历史数据来获得。

图1步骤二中，本发明可以结合用户的阅读偏好，获取用户偏好分类表、作家分类表，来形成对用户的作家推荐列表。对于每一个用户，从其用户偏好分类表中挑选多个排在前位的用户偏好的分类，然后将作家分类表中属于所述用户偏好的分类下的作家按照计算出的用户对其的评分进行降序排列，再从每一个用户偏好的分类下选择排在前位的多个作家，从而形成用户的作家推荐列表。例如：一个用户共需要推荐num个作家，可以根据已阅读作家推荐规则来推荐q个已阅读作家，同时再向用户推荐num-q个未阅读作家，num、q的值根据实际需要而设定，其中，向用户推荐num-q个未阅读作家进一步包括有：从用户偏好分类表中选取用户偏好的前三个分类，针对每种分类，计算((num-q)*偏好强度+1)并向下取整，从而得到该分类下的最多推荐作家数，比如分类为1的作家最多推荐((num-q)*class1_value+1个作家，class1_value是分类为1的偏好强度，最后按照预测评分的高低顺序，从所属分类下的作家中选取对应数量的作家向用户推荐。

以上所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 (10)

1.一种基于图书评分的图书作家推荐方法，其特征在于，包括有：

步骤一、从用户的阅读历史数据中读取用户已阅读过的图书及其作家、和用户对图书的评分，将用户已阅读过的图书的作家构成用户的一个已阅读作家集，将用户未阅读过其图书的作家构成用户的一个未阅读作家集，并根据用户对已阅读过的图书的评分，计算用户对已阅读作家集中的每个已阅读作家的评分；

步骤二、为用户的未阅读作家集中的每个未阅读作家分别构建各自的邻近作家集，并将用户的已阅读作家集中和每个未阅读作家相似度高的已阅读作家保存到未阅读作家的邻近作家集中，然后根据未阅读作家和其邻近作家集中的邻近作家之间的相似度值，预测用户对每个未阅读作家的评分，从而选择若干个评分高的未阅读作家向用户推荐。

2.根据权利要求1所述的方法，其特征在于，步骤一进一步包括有：

步骤11、从用户的已阅读作家集中逐一读取每个已阅读作家；

步骤12、统计用户对所述已阅读作家的阅读图书数n，并提取用户对所述已阅读作家的所有图书的评分；

步骤13、统计用户对所述已阅读作家的图书的评分为评分最大阈值s_top、及评分在[s_sec，s_top]的数值区间范围内的图书数topn、secn，然后分别计算topn、secn和用户对所述已阅读作家的阅读图书数n的比值topn/n、secn/n、以及用户对所述已阅读作家的所有阅读图书的评分的标准差和平均值的比值variation，再根据topn/n、secn/n、variation所在的区间范围，计算用户对已阅读作家的评分：

，其中，a_s(u，a_yp)是用户u对已阅读作家a_yp的评分，s_sec是评分较大阈值，s_top是评分最大阈值，max_book_score是用户对所述已阅读作家的所有图书的评分的最大值；

步骤14、判断是否已读取完用户的已阅读作家集中的所有已阅读作家，如果是，则本流程结束；如果否，则继续从用户的已阅读作家集中读取下一个已阅读作家，转向步骤12。

3.根据权利要求2所述的方法，其特征在于，s_top＝5，s_sec＝4。

4.根据权利要求2所述的方法，其特征在于，步骤12和步骤13之间还包括有：

步骤A、判断n是否是1，如果是，则将用户对所述已阅读作家的图书的评分book_score保存为用户对已阅读作家的评分：a_s(u，a_yp)＝book_score，本流程结束；如果否，则继续下一步。

5.根据权利要求2所述的方法，其特征在于，步骤12和步骤13之间还包括有：

步骤B、判断n是否是2，如果是，则从用户对所述已阅读作家的所有图书的评分中挑选最大值max_book_score，并将max_book_score保存为用户对已阅读作家的评分：a_s(u，a_yp)＝max_book_score，本流程结束；如果否，则继续下一步。

6.根据权利要求2所述的方法，其特征在于，步骤12和步骤13之间还包括有：

步骤C、判断n是否在[3，4]的数值区间范围内，如果是，则统计用户对所述已阅读作家的图书的评分为评分最大阈值s_top的图书数topn，然后计算topn和用户对所述已阅读作家的阅读图书数n的比值topn/n、以及用户对所述已阅读作家的所有阅读图书的评分的标准差和平均值的比值variation，再根据topn/n、variation所在的区间范围，计算用户对已阅读作家的评分：

本流程结束；如果否，则继续下一步。

7.根据权利要求1所述的方法，其特征在于，步骤二进一步包括有：

步骤21、从用户的未阅读作家集中逐一读取每个未阅读作家；

步骤22、为读取的未阅读作家构建一个邻近作家集，所述邻近作家集初始化为空；

步骤23、计算所述未阅读作家和用户的已阅读作家集中的每个已阅读作家之间的相似度值，并将和所述未阅读作家的相似度值大于0的所有已阅读作家保存到所述未阅读作家的邻近作家集中；

步骤24、计算用户对所述未阅读作家的评分： $a\_s(u,a_{wp})=\stackrel{\‾}{a\_s\left(a_{wp}\right)}+\frac{\underset{l=1}{\overset{M}{\Σ}}sim\left(a_{wp},a_l\right)(a\_s(u,a_l)-\stackrel{\‾}{a\_s\left(a_l\right)})}{\underset{l=1}{\overset{M}{\Σ}}sim(a_{wp},a_l)},$ 其中，a_s(u,a_wp)是用户u对未阅读作家a_wp的评分，是所有阅读过a_wp的图书的用户对a_wp的评分的平均值，M是未阅读作家a_wp的邻近作家集中的邻近作家数，a_l是a_wp的邻近作家集中的第l位邻近作家，sim(a_wp,a_l)是未阅读作家a_wp和其邻近作家a_l之间的相似度值，a_s(u,a_l)是用户u对a_l的评分，是所有阅读过a_l的图书的用户对a_l的评分的平均值；

步骤25、判断是否已从用户的未阅读作家集中读取完所有未阅读作家，如果是，则根据用户对未阅读作家的评分，从用户的未阅读作家集中挑选若干个未阅读作家向用户推荐；如果否，则从用户的未阅读作家集中继续读取下一个未阅读作家，然后转向步骤22。

8.根据权利要求7所述的方法，其特征在于，步骤23中，计算未阅读作家a_wp和用户的已阅读作家集中的一个已阅读作家a_yp之间的相似度，进一步包括有：

步骤231、分别统计对未阅读作家a_wp、已阅读作家a_yp的图书有过阅读记录的用户名单，并判断两份用户名单中是否存在有共同的用户，然后从中提取若干个共同用户来构成一个共同用户集U；

步骤232、根据共同用户集中每个共同用户对未阅读作家a_wp和已阅读作家a_yp的评分，计算未阅读作家a_wp和已阅读作家a_yp之间的相似度值： $sim(a_{wp},a_{yp})=\frac{\underset{k=1}{\overset{K}{\Σ}}a\_s(u_k,a_{wp})\×a\_s(u_k,a_{yp})}{\sqrt{\underset{k=1}{\overset{K}{\Σ}}a\_s{(u_k,a_{wp})}^2}\sqrt{\underset{k=1}{\overset{K}{\Σ}}a\_s{(u_k,a_{yp})}^2}},$ 其中，K是共同用户集U中的共同用户总数，u_k是U中的第k个共同用户，a_s(u_k,a_wp)、a_s(u_k,a_yp)分别是共同用户集U中的共同用户u_k对未阅读作家a_wp和已阅读作家a_yp的评分。

9.根据权利要求1所述的方法，其特征在于，步骤二中，获取用户偏好分类表、作家分类表，来形成对用户的作家推荐列表，进一步包括有：

对于每一个用户，从其用户偏好分类表中挑选多个排在前位的用户偏好的分类，然后将作家分类表中属于所述用户偏好的分类下的作家按照计算出的用户对其的评分进行降序排列，再从每一个用户偏好的分类下选择排在前位的多个作家，从而形成用户的作家推荐列表。

10.根据权利要求9所述的方法，其特征在于，当一个用户共需要推荐num个作家时，则根据已阅读作家推荐规则来推荐q个已阅读作家，同时再向用户推荐num-q个未阅读作家，其中，向用户推荐num-q个未阅读作家进一步包括有：

从用户偏好分类表中选取用户偏好的前三个分类，针对每种分类，计算((num-q)*偏好强度+1)并向下取整，从而得到该分类下的最多推荐作家数，最后按照预测评分的高低顺序，从所属分类下的作家中选取对应数量的作家向用户推荐。