CN110275907A - 一种图书推荐方法、装置、设备及可读存储介质 - Google Patents
一种图书推荐方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110275907A CN110275907A CN201910561700.0A CN201910561700A CN110275907A CN 110275907 A CN110275907 A CN 110275907A CN 201910561700 A CN201910561700 A CN 201910561700A CN 110275907 A CN110275907 A CN 110275907A
- Authority
- CN
- China
- Prior art keywords
- reader
- target audience
- readers
- target
- book recommendation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种图书推荐方法,该方法包括以下步骤:接收目标读者发送的图书推荐请求,并获取目标读者的读者特征;利用读者特征中的成绩等级从读者库中筛选出待选读者;利用读者特征计算目标读者与各个待选读者之间的相似度,并利用相似度确定目标读者的近邻读者;利用近邻读者的借阅记录获得目标图书,并向目标读者推荐目标图书。在本方法中,以成绩为纽带,通过成绩等级差异,可准确地推荐读者所需图书,可让学生及时的查漏补缺,巩固所学的知识。本发明还公开了一种图书推荐装置、设备及可读存储介质,具有相应的技术效果。
Description
技术领域
本发明涉及数据业务技术领域,特别是涉及一种图书推荐方法、装置、设备及可读存储介质。
背景技术
在高校的日常学习生活中,图书馆在学生和老师之间都扮演了重要的角色,学生和老师的科研活动、查找文献和学习资料都离不开图书馆的帮助。随着数字图书馆的发展,信息过载问题逐渐突出。在当下面临的问题不是物质短缺、信息匮乏,而是可选图书太多,让读者眼花缭乱、不知如何选择。虽然现有图书馆管理技术在一定程度上缓解了这一问题,但高校图书馆对学生信息需求分析和为用户提供良好的搜索推荐服务方面,仍然存在着严重的不足。如何能够为读者及时准确的推荐相关书籍,减少读者对图书的检索的复杂程序,高效准确的图书推荐系统应运而生。
目前,高校图书推荐系统主要利用读者信息、图书信息和读者的历史借阅信息来预测读者可能感兴趣的图书,产生图书推荐结果,为读者提供个性化的服务。但是,在高校信息环境中,馆藏资源数量大、类型各异且学科覆盖广泛,大量跨学科乃至新兴学科、边缘学科图书的存在,造成基于内容的图书推荐系统所构建的模型很难全面准确地表征图书资源内容,因此推荐质量较低,难以满足高校师生对推荐资源的准确性、实时性需求。高校图书馆读者较高的借阅次数、相似的知识结构以及共同的知识学习引动力使得高校图书馆存在大量相似度较高的借阅记录,基于规则的推荐难以产生真正有价值的且具备一定新意的关联性规则,难以进而提供面向高校读者的有价值的个性化信息服务。为了解决数据稀疏问题,目前推荐方法通过项目属性相似度填充评分矩阵,例如采用读者评分的中位数进行填充,但在高校图书馆场景下,用户对图书的评分波动很小,该方法会减少用户的个性信息,对推荐结果的改善有限。
综上所述,如何有效地解决图书推荐系统的图书个性化推荐等问题,是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种图书推荐方法、装置、设备及可读存储介质,能够基于用户需求动因,更准确地向读者推荐图书。
为解决上述技术问题,本发明提供如下技术方案:
一种图书推荐方法,包括:
接收目标读者发送的图书推荐请求,并获取所述目标读者的读者特征;
利用所述读者特征中的成绩等级从读者库中筛选出待选读者;
利用所述读者特征计算所述目标读者与各个所述待选读者之间的相似度,并利用所述相似度确定所述目标读者的近邻读者;
利用所述近邻读者的借阅记录获得目标图书,并向所述目标读者推荐所述目标图书。
优选地,利用所述读者特征中的成绩等级从读者库中筛选出待选读者,包括:
利用所述读者特征从读者库中筛选出年级高于或等于所述目标读者的第一待选读者;
从所述第一待选读者中筛选出成绩等级高于或等于所述目标读者的所述待选读者。
优选地,利用所述相似度确定所述目标读者的近邻读者,包括:
利用协同过滤算法对所述待选读者进行过滤,获得所述近邻读者。
优选地,所述利用所述近邻读者的借阅记录获得目标图书,包括:
从所述近邻读者的借阅记录中获得初始待选图书;
获取所述目标读者的借阅记录,利用所述借阅记录对所述待选图书进行筛选,获得所述目标图书。
优选地,利用所述读者特征计算所述目标读者与各个所述待选读者之间的相似度,包括:
利用所述读者特征中的院系维度、学历维度、角色维度和成绩维度计算所述目标读者与各个所述待选读者之间的所述相似度。
优选地,获取所述目标读者的读者特征,包括:
从学生教务信息系统中获取所述目标读者的教务信息;
利用所述教务信息和所述借阅记录确定所述读者特征。
优选地,利用所述教务信息和所述借阅记录确定所述读者特征,包括:
利用所述教务信息获取所述目标读者的成绩单,并对所述成绩单进行统计,获得所述成绩等级;
从所述教务信息中获取所述目标读者的个人信息,获得所述院系维度对应的院系特征值、所述学历维度对应的学历特征值、角色维度对应的角色特征值。
一种图书推荐装置,包括:
读者特征获取模块,用于接收目标读者发送的图书推荐请求,并获取所述目标读者的读者特征;
待选读者筛选模块,用于利用所述读者特征中的成绩等级从读者库中筛选出待选读者;
近邻读者确定模块,用于利用所述读者特征计算所述目标读者与各个所述待选读者之间的相似度,并利用所述相似度确定所述目标读者的近邻读者;
图书推荐模块,用于利用所述近邻读者的借阅记录获得目标图书,并向所述目标读者推荐所述目标图书。
一种图书推荐设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述图书推荐方法的步骤。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述图书推荐方法的步骤。
应用本发明实施例所提供的方法,接收目标读者发送的图书推荐请求,并获取目标读者的读者特征;利用读者特征中的成绩等级从读者库中筛选出待选读者;利用读者特征计算目标读者与各个待选读者之间的相似度,并利用相似度确定目标读者的近邻读者;利用近邻读者的借阅记录获得目标图书,并向目标读者推荐目标图书。
考虑到,传统的基于项目评分的协同过滤算法仅依据用户的信息获取行为及评分情况进行预测,缺乏对触发用户信息需求动因的深层次分析,因此无法从本质上保证预测的准确性且易造成数据稀疏。经分析发现,成绩为学生学习过程中的沉淀积累,不同成绩的学生对图书的需求会各不相同。基于此,在接收到目标读者发送的图书推荐请求后,可先获取目标读者的读者特征,然后利用读者特征中的成绩等级筛选出待选读者。然后利用读者特征计算出目标读者与各个待选读者之间的相似度,基于相似度确定出目标读者的近邻读者。利用近邻读者的借阅记录,获得目标图书,并向目标读者推荐目标图书。可见,在本方法中,以成绩为纽带,通过成绩等级差异,可准确地推荐读者所需图书,可让学生及时的查漏补缺,巩固所学的知识。
相应地,本发明实施例还提供了与上述图书推荐方法相对应的图书推荐装置、设备和可读存储介质,具有上述技术效果,在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种图书推荐方法的实施流程图;
图2为本发明实施例中一种读者特征模型结构示意图;
图3为本发明实施例中一种图书推荐装置的结构示意图;
图4为本发明实施例中一种图书推荐设备的结构示意图;
图5为本发明实施例中一种图书推荐设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
请参考图1,图1为本发明实施例中一种图书推荐方法的流程图,该方法应用于服务器中,该方法包括以下步骤:
S101、接收目标读者发送的图书推荐请求,并获取目标读者的读者特征。
在本发明实施例中,可在目标读者在客户端的可视化界面点击操作时,视为目标读者向服务器发送了图书推荐请求。当然,也可在客户端向服务器发送目标读者在客户端的可视化界面点击查看推荐书目,视为接收到图书推荐请求。
在接收到目标读者发送的图书推荐请求后,可获取目标读者的读者特征。其中,读者特征可具体为读者的标签信息,例如,读者的成绩等级、院系、学历等信息。
在实际应用中,可基于不同的读者特征的维度,创建读者特征模型。例如,创建一个取值为0、1的多维读者特征模型Vr,该模型由院系向量Vr1、学历向量Vr2、角色向量Vr3和期末成绩向量Vr4组合而成,如图2所示,图2为本发明实施例中一种读者特征模型结构示意图。每个院系、学历、角色和期末成绩都用向量的一个维度表示,读者与之相符合则取值为1,否则取值为0。例如,按照学校实际情况,学历向量Vr2分为本科、硕士、博士共3类,角色向量Vr3分为教师、学生共2类。期末成绩向量每个维度向量对应一个等级,在一定时间范围内(如1学年)期末成绩优秀和良好读者访问记录则取值为1,否则取值为0。
S102、利用读者特征中的成绩等级从读者库中筛选出待选读者。
考虑到高校的读者大多为学生,因而在向学生做图书推荐时,应当考虑不同的成绩等级学生的各自需求不同而进行有向性的图书推荐。例如,对于成绩优异的学生读者,其所需的是能够拓展知识的图书,而对于成绩相对不理想的学生读者,其所需的是能够巩固所学学科对于能够提成成绩的图书。因此,在确定待选读者时,可利用读者特征中的成绩等级从读者库中筛选出待选读者。其中,读者库可视为记录了大量学生的借阅记录的数据库,读者库可单独建立,也可通过访问图书馆借阅系统获得读者借阅信息。在进行读者筛选时,可根据目标读者的读者特征中的成绩等级,从读者库中筛选从成绩等级与目标读者相同或更优的读者作为待选读者。
优选地,考虑到,学校的读者还存在年级不同的划分,对于低年级学生的借阅记录对于高年级学生的参考价值并不高,甚至无意义。可在筛选待选读者时,优先将高年级读者作为目标读者的待选读者。即利用读者特征中的成绩等级从读者库中筛选出待选读者,可具体包括:
步骤一、利用读者特征从读者库中筛选出年级高于或等于目标读者的第一待选读者;
步骤二、从第一待选读者中筛选出成绩等级高于或等于目标读者的待选读者。
为便于描述,下面将上述两个步骤结合起来进行说明。
在本发明实施例中,可通过为每一个读者添加特征标签的方式为每个读者设置读者特征,然后在确定待选读者时,便可通过遍历各个读者的特征标签获得各个读者的读者特征。在确定待选读者时,首先从读者库中筛选出年级高于或等于目标的第一待选读者。例如,若目标读者为大二学生,则可选择年级为大二及大二以上年级的读者作为目标读者的第一待选读者。
需要说明的是,当目标读者还未参加学校的考试,此时可直接根据入学成绩进行成绩等级划分,例如,若为大一新生,则可直接利用其高考成绩确定其成绩等级;若为研一新生,则可直接利用其考研成绩确定其成绩等级。当然也可将还未参与学校考虑到新生读者统一默认为一个成绩等级,例如均默认为良好等级。
在确定出第一待选读者之后,便可利用成绩等级从第一待选读者中筛选出成绩等级高于或等于目标地址的待选读者。需说明的是,在本发明实施例中,待选读者的数量可具体为多个,例如数十个、数百个或数千个,具体的数值可根据学校学生数量而定,如学生数量较多,相应的待选读者也可相应增加。
S103、利用读者特征计算目标读者与各个待选读者之间的相似度,并利用相似度确定目标读者的近邻读者。
在确定待选读者之后,可利用读者特征计算目标读者与各个待选读者之间的相似度,具体的计算相似度的方式可直接利用相似度计算公式进行计算,也可采用聚类算法对目标读者以及待选读者进行聚类处理,将与目标读者归属于同一个聚类中心的待选读者作为近邻读者。关于聚类处理时,所选用的聚类算法可采用常见的诸如K-Means的聚类算法进行处理,聚类所需参数可根据实际应用需求进行设置,具体可参见各聚类算法的定义以及处理规则而定,在此不再一一说明。
关于计算相似度来确定近邻读者的方式,即利用读者特征中的院系维度、学历维度、角色维度和成绩维度计算目标读者与各个待选读者之间的相似度。其中,获取目标读者的读者特征,可具体为从学生教务信息系统中获取目标读者的教务信息;利用教务信息和借阅记录确定读者特征。
其中,利用教务信息和借阅记录确定读者特征,可具体包括:
步骤一、利用教务信息获取目标读者的成绩单,并对成绩单进行统计,获得成绩等级;
步骤二、从教务信息中获取目标读者的个人信息,获得院系维度对应的院系特征值、学历维度对应的学历特征值、角色维度对应的角色特征值。
即,数据源可来自高校图书馆和学生教务信息系统,高校图书馆包括馆藏书目信息表(该表可包括诸如书名、作者、版本、出版社、标准书号、索取号、分类号、馆藏地、书目记录号的信息)和借阅信息表(该表可包括诸如借阅时间、馆藏地点、读者证号、书目记录号的信息);学生教务信息系统包括学生信息表(诸如学生号、姓名、年级、系别、专业、各科期末成绩的信息)。
然后,对数据源中无效数据、冗余数据进行删除操作。对原表中一些取值混乱的字段做规范性操作,使其定义域统一规范,便于后续挖掘。例如,统一学生信息表中各科期末成绩的定义,将各科期末成绩分等级并将其取值统一规范为不及格(低于60分)、合格(60-69)、良好(70-89)和优秀(90-100)。然后,进行数据添加,例如,学生信息表添加Finalgrade1(优秀),Final grade2(良好),Final grade3(中等),Final grade4(差等)用来记录读者对本校图书馆馆藏图书的访问情况,若读者在统计时间段内借阅该图书并期末成绩取得优秀或良好等级赋值为1,否则为0。最后,进行字段删除,删除各表中对数据挖掘以及信息服务无用的字段信息。
优选地,可利用协同过滤算法对待选读者进行过滤,获得近邻读者。
下面以基于读者特征模型为例,根据余弦相似性公式计算读者之间的相似性,并选出一定数量的相似读者作为目标读者的候选近邻读者MC。
对于每个读者ui∈MC,从数据源中得到其和目标读者在一定期限内借阅图书的并集,用Un表示。基于MC和Un建立User-Item矩阵A(m,n),它包含m个候选近邻读者和目标读者的集合U=(u1,u2,…,um)和n个图书资源的集合I=(i1,i2,…,in)。
矩阵元素Rui表示读者u对于图书i的评分。当读者u在统计时间段内对i无借阅记录,则Rui=0。由于借阅时间能反映出读者信息需求的紧迫程度,因此统计时间段内若有借阅事务发生,Rui分值的计算方法如下:
设读者u在指定时间段内借阅图书序列为(item1,item2,…,itemi,…,itemn),其对应的借阅时间序列为(t1,t2,…,ti,…,tn),设Tmin为统计时间段开始时间,Tmax为截至时间,则读者u对图书资源itemi的评分值计算公式1如下:
在产生的User-Item矩阵基础上利用修正的余弦相似性公式计算与读者最为相似的Top-N个读者作为目标读者的近邻读者。公式2如下:
其中,sim(u1,u2)表示目标读者u1和近邻读者u2的相似度,I1,表示读者u1、u2共同产生评分的图书,Ru1,c表示读者u1对图书c的评分,表示读者u1、u2对图书的平均评分。
S104、利用近邻读者的借阅记录获得目标图书,并向目标读者推荐目标图书。
在确定出近邻读者后,可直接利用近邻读者的借阅记录确定目标图书,然后向目标读者推荐该目标图书。其中,目标图书可具体为一本图书也可以为一系列图书,在本发明实施例中对象目标读者推荐的目标图书的数量并不限定。
具体的,可从近邻读者的借阅记录中获得初始待选图书;获取目标读者的借阅记录,利用借阅记录对待选图书进行筛选,获得目标图书。具体的,可利用基于项目均值的加权平均值公式在近邻读者范围内对图书进行预测评分。设目标读者的近邻读者集用U表示,则目标读者u对图书i的评分Pu,i可通过近邻读者集对i的评分得到,即通过公式3可以预测目标读者对未评分对象的评分,从而选择预测评分最高的若干个对象作为推荐结果反馈给当前用户。公式3如下:
也就是说,找到目标推荐对象的近邻读者后,就可以利用近邻读者产生推荐。根据近邻读者集对图书的评分数据预测目标读者对图书的兴趣度Pu,i,通过设置兴趣度阈值或设置信息资源数量产生目标读者推荐图书资源。
应用本发明实施例所提供的方法,接收目标读者发送的图书推荐请求,并获取目标读者的读者特征;利用读者特征中的成绩等级从读者库中筛选出待选读者;利用读者特征计算目标读者与各个待选读者之间的相似度,并利用相似度确定目标读者的近邻读者;利用近邻读者的借阅记录获得目标图书,并向目标读者推荐目标图书。
考虑到,传统的基于项目评分的协同过滤算法仅依据用户的信息获取行为及评分情况进行预测,缺乏对触发用户信息需求动因的深层次分析,因此无法从本质上保证预测的准确性且易造成数据稀疏。经分析发现,成绩为学生学习过程中的沉淀积累,不同成绩的学生对图书的需求会各不相同。基于此,在接收到目标读者发送的图书推荐请求后,可先获取目标读者的读者特征,然后利用读者特征中的成绩等级筛选出待选读者。然后利用读者特征计算出目标读者与各个待选读者之间的相似度,基于相似度确定出目标读者的近邻读者。利用近邻读者的借阅记录,获得目标图书,并向目标读者推荐目标图书。可见,在本方法中,以成绩为纽带,通过成绩等级差异,可准确地推荐读者所需图书,可让学生及时的查漏补缺,巩固所学的知识。
实施例二:
相应于上面的方法实施例,本发明实施例还提供了一种图书推荐装置,下文描述的图书推荐装置与上文描述的图书推荐方法可相互对应参照。
参见图3所示,该装置包括以下模块:
一种图书推荐装置,包括:
读者特征获取模块101,用于接收目标读者发送的图书推荐请求,并获取目标读者的读者特征;
待选读者筛选模块102,用于利用读者特征中的成绩等级从读者库中筛选出待选读者;
近邻读者确定模块103,用于利用读者特征计算目标读者与各个待选读者之间的相似度,并利用相似度确定目标读者的近邻读者;
图书推荐模块104,用于利用近邻读者的借阅记录获得目标图书,并向目标读者推荐目标图书。
应用本发明实施例所提供的装置,接收目标读者发送的图书推荐请求,并获取目标读者的读者特征;利用读者特征中的成绩等级从读者库中筛选出待选读者;利用读者特征计算目标读者与各个待选读者之间的相似度,并利用相似度确定目标读者的近邻读者;利用近邻读者的借阅记录获得目标图书,并向目标读者推荐目标图书。
考虑到,传统的基于项目评分的协同过滤算法仅依据用户的信息获取行为及评分情况进行预测,缺乏对触发用户信息需求动因的深层次分析,因此无法从本质上保证预测的准确性且易造成数据稀疏。经分析发现,成绩为学生学习过程中的沉淀积累,不同成绩的学生对图书的需求会各不相同。基于此,在接收到目标读者发送的图书推荐请求后,可先获取目标读者的读者特征,然后利用读者特征中的成绩等级筛选出待选读者。然后利用读者特征计算出目标读者与各个待选读者之间的相似度,基于相似度确定出目标读者的近邻读者。利用近邻读者的借阅记录,获得目标图书,并向目标读者推荐目标图书。可见,在本装置中,以成绩为纽带,通过成绩等级差异,可准确地推荐读者所需图书,可让学生及时的查漏补缺,巩固所学的知识。
在本发明的一种具体实施方式中,待选读者筛选模块102,具体用于利用读者特征从读者库中筛选出年级高于或等于目标读者的第一待选读者;从第一待选读者中筛选出成绩等级高于或等于目标读者的待选读者。
在本发明的一种具体实施方式中,近邻读者确定模块103,具体用于利用协同过滤算法对待选读者进行过滤,获得近邻读者。
在本发明的一种具体实施方式中,图书推荐模块104,具体用于从近邻读者的借阅记录中获得初始待选图书;获取目标读者的借阅记录,利用借阅记录对待选图书进行筛选,获得目标图书。
在本发明的一种具体实施方式中,近邻读者确定模块103,具体用于利用读者特征中的院系维度、学历维度、角色维度和成绩维度计算目标读者与各个待选读者之间的相似度。
在本发明的一种具体实施方式中,近邻读者确定模块103,具体用于从学生教务信息系统中获取目标读者的教务信息;利用教务信息和借阅记录确定读者特征。
在本发明的一种具体实施方式中,近邻读者确定模块103,具体用于利用教务信息获取目标读者的成绩单,并对成绩单进行统计,获得成绩等级;从教务信息中获取目标读者的个人信息,获得院系维度对应的院系特征值、学历维度对应的学历特征值、角色维度对应的角色特征值。
实施例三:
相应于上面的方法实施例,本发明实施例还提供了一种图书推荐设备,下文描述的一种图书推荐设备与上文描述的一种图书推荐方法可相互对应参照。
参见图4所示,该图书推荐设备包括:
存储器D1,用于存储计算机程序;
处理器D2,用于执行计算机程序时实现上述方法实施例的图书推荐方法的步骤。
具体的,请参考图5,图5为本实施例提供的一种图书推荐设备的具体结构示意图,该图书推荐设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在图书推荐设备301上执行存储介质330中的一系列指令操作。
图书推荐设备301还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作系统341。例如,Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
上文所描述的图书推荐方法中的步骤可以由图书推荐设备的结构实现。
实施例四:
相应于上面的方法实施例,本发明实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种图书推荐方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的图书推荐方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种图书推荐方法,其特征在于,包括:
接收目标读者发送的图书推荐请求,并获取所述目标读者的读者特征;
利用所述读者特征中的成绩等级从读者库中筛选出待选读者;
利用所述读者特征计算所述目标读者与各个所述待选读者之间的相似度,并利用所述相似度确定所述目标读者的近邻读者;
利用所述近邻读者的借阅记录获得目标图书,并向所述目标读者推荐所述目标图书。
2.根据权利要求1所述的图书推荐方法,其特征在于,利用所述读者特征中的成绩等级从读者库中筛选出待选读者,包括:
利用所述读者特征从读者库中筛选出年级高于或等于所述目标读者的第一待选读者;
从所述第一待选读者中筛选出成绩等级高于或等于所述目标读者的所述待选读者。
3.根据权利要求1所述的图书推荐方法,其特征在于,利用所述相似度确定所述目标读者的近邻读者,包括:
利用协同过滤算法对所述待选读者进行过滤,获得所述近邻读者。
4.根据权利要求3所述的图书推荐方法,其特征在于,所述利用所述近邻读者的借阅记录获得目标图书,包括:
从所述近邻读者的借阅记录中获得初始待选图书;
获取所述目标读者的借阅记录,利用所述借阅记录对所述待选图书进行筛选,获得所述目标图书。
5.根据权利要求1至4任一项所述的图书推荐方法,其特征在于,利用所述读者特征计算所述目标读者与各个所述待选读者之间的相似度,包括:
利用所述读者特征中的院系维度、学历维度、角色维度和成绩维度计算所述目标读者与各个所述待选读者之间的所述相似度。
6.根据权利要求5所述的图书推荐方法,其特征在于,获取所述目标读者的读者特征,包括:
从学生教务信息系统中获取所述目标读者的教务信息;
利用所述教务信息和所述借阅记录确定所述读者特征。
7.根据权利要求6所述的图书推荐方法,其特征在于,利用所述教务信息和所述借阅记录确定所述读者特征,包括:
利用所述教务信息获取所述目标读者的成绩单,并对所述成绩单进行统计,获得所述成绩等级;
从所述教务信息中获取所述目标读者的个人信息,获得所述院系维度对应的院系特征值、所述学历维度对应的学历特征值、角色维度对应的角色特征值。
8.一种图书推荐装置,其特征在于,包括:
读者特征获取模块,用于接收目标读者发送的图书推荐请求,并获取所述目标读者的读者特征;
待选读者筛选模块,用于利用所述读者特征中的成绩等级从读者库中筛选出待选读者;
近邻读者确定模块,用于利用所述读者特征计算所述目标读者与各个所述待选读者之间的相似度,并利用所述相似度确定所述目标读者的近邻读者;
图书推荐模块,用于利用所述近邻读者的借阅记录获得目标图书,并向所述目标读者推荐所述目标图书。
9.一种图书推荐设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述图书推荐方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述图书推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561700.0A CN110275907A (zh) | 2019-06-26 | 2019-06-26 | 一种图书推荐方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561700.0A CN110275907A (zh) | 2019-06-26 | 2019-06-26 | 一种图书推荐方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110275907A true CN110275907A (zh) | 2019-09-24 |
Family
ID=67963294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910561700.0A Pending CN110275907A (zh) | 2019-06-26 | 2019-06-26 | 一种图书推荐方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110275907A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949871A (zh) * | 2020-08-12 | 2020-11-17 | 中国银行股份有限公司 | 图书推荐系统、方法及装置 |
CN112069390A (zh) * | 2020-07-15 | 2020-12-11 | 西安工程大学 | 一种基于时空维度用户图书借阅行为分析及兴趣预测方法 |
CN112417291A (zh) * | 2020-12-01 | 2021-02-26 | 广州宏途教育网络科技有限公司 | 一种教辅书籍订阅方法、装置、计算机设备和存储介质 |
CN112799999A (zh) * | 2020-12-31 | 2021-05-14 | 中图数字科技(北京)有限公司 | 一种在线阅读推荐方法、系统、装置及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140181001A1 (en) * | 2012-12-21 | 2014-06-26 | International Business Machines Corporation | Recommending electronic content based upon user availablity |
CN104021153A (zh) * | 2014-05-19 | 2014-09-03 | 江苏金智教育信息技术有限公司 | 一种校园图书的个性化推荐方法 |
US20160063123A1 (en) * | 2009-12-01 | 2016-03-03 | Apple Inc. | System and method for metadata transfer among search entities |
CN109388746A (zh) * | 2018-09-04 | 2019-02-26 | 四川文轩教育科技有限公司 | 一种基于学习者模型的学习资源智能推荐方法 |
CN109472286A (zh) * | 2018-09-30 | 2019-03-15 | 浙江工业大学 | 基于兴趣度模型与类型因子的高校图书推荐方法 |
CN109816057A (zh) * | 2018-12-06 | 2019-05-28 | 深圳云天励飞技术有限公司 | 图书馆图书借阅管理方法、系统、电子设备及存储介质 |
-
2019
- 2019-06-26 CN CN201910561700.0A patent/CN110275907A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160063123A1 (en) * | 2009-12-01 | 2016-03-03 | Apple Inc. | System and method for metadata transfer among search entities |
US20140181001A1 (en) * | 2012-12-21 | 2014-06-26 | International Business Machines Corporation | Recommending electronic content based upon user availablity |
CN104021153A (zh) * | 2014-05-19 | 2014-09-03 | 江苏金智教育信息技术有限公司 | 一种校园图书的个性化推荐方法 |
CN109388746A (zh) * | 2018-09-04 | 2019-02-26 | 四川文轩教育科技有限公司 | 一种基于学习者模型的学习资源智能推荐方法 |
CN109472286A (zh) * | 2018-09-30 | 2019-03-15 | 浙江工业大学 | 基于兴趣度模型与类型因子的高校图书推荐方法 |
CN109816057A (zh) * | 2018-12-06 | 2019-05-28 | 深圳云天励飞技术有限公司 | 图书馆图书借阅管理方法、系统、电子设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069390A (zh) * | 2020-07-15 | 2020-12-11 | 西安工程大学 | 一种基于时空维度用户图书借阅行为分析及兴趣预测方法 |
CN112069390B (zh) * | 2020-07-15 | 2023-09-26 | 西安工程大学 | 一种基于时空维度用户图书借阅行为分析及兴趣预测方法 |
CN111949871A (zh) * | 2020-08-12 | 2020-11-17 | 中国银行股份有限公司 | 图书推荐系统、方法及装置 |
CN112417291A (zh) * | 2020-12-01 | 2021-02-26 | 广州宏途教育网络科技有限公司 | 一种教辅书籍订阅方法、装置、计算机设备和存储介质 |
CN112417291B (zh) * | 2020-12-01 | 2024-06-07 | 广州宏途数字科技有限公司 | 一种教辅书籍订阅方法、装置、计算机设备和存储介质 |
CN112799999A (zh) * | 2020-12-31 | 2021-05-14 | 中图数字科技(北京)有限公司 | 一种在线阅读推荐方法、系统、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Megalopolis unbound: Knowledge collaboration and functional polycentricity within and beyond the Yangtze River Delta Region in China, 2014 | |
CN110275907A (zh) | 一种图书推荐方法、装置、设备及可读存储介质 | |
Dewar et al. | Planning for “megaregions” in the United States | |
Burger et al. | Form follows function? Linking morphological and functional polycentricity | |
Tsai | Quantifying urban form: compactness versus' sprawl' | |
Moghavvemi et al. | The entrepreneur’s perception on information technology innovation adoption: An empirical analysis of the role of precipitating events on usage behavior | |
CN109192310A (zh) | 一种基于大数据的大学生心理行为异动系统方案设计方法 | |
Pohl et al. | Social media for crisis management: clustering approaches for sub-event detection | |
Strohmaier et al. | Understanding why users tag: A survey of tagging motivation literature and results from an empirical study | |
Chang | Examining interdisciplinarity of library and information science (LIS) based on LIS articles contributed by non-LIS authors | |
Mwange et al. | Reviewing the status of national spatial data infrastructures in Africa | |
Hamzei et al. | Place facets: a systematic literature review | |
Volgmann et al. | Understanding metropolitan growth in German polycentric urban regions | |
Zahedi et al. | Exploring topics of interest of Mendeley users | |
Nahm et al. | Design and implementation of an institutional case report form library | |
Ransom et al. | Facets of user‐assigned tags and their effectiveness in image retrieval | |
Bahrehdar et al. | Description and characterization of place properties using topic modeling on georeferenced tags | |
Khalid et al. | Data gap analysis, indicator selection and index development: a case for developing economies | |
Nethery et al. | Evaluation of the health impacts of the 1990 clean air act amendments using causal inference and machine learning | |
Rego et al. | New geography in old territories: a multivariate approach based on Portuguese regions | |
Kumar et al. | Revisiting the gender gap in private household expenditure on education in India: an empirical analysis | |
O'Madadhain et al. | EventRank: A framework for ranking time-varying networks | |
Good et al. | Social tagging in the life sciences: characterizing a new metadata resource for bioinformatics | |
Velis et al. | Waste management needs a data revolution–Is plastic pollution an opportunity? | |
Ebadi et al. | iSEER: an intelligent automatic computer system for scientific evaluation of researchers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190924 |