CN110334281A

CN110334281A - 一种结合用户行为的图书推荐方法、装置、设备及介质

Info

Publication number: CN110334281A
Application number: CN201910624652.5A
Authority: CN
Inventors: 余荣; 林佳能; 张浩川
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2019-07-11
Filing date: 2019-07-11
Publication date: 2019-10-15
Anticipated expiration: 2039-07-11
Also published as: CN110334281B

Abstract

本发明公开了一种结合用户行为的图书推荐方法，会获取目标用户对于目标图书的应用操作行为数据，通过SVM评分模型根据应用操作行为数据计算目标用户对目标图书的推测评分数据，并将该推测评分数据填充至初始评分矩阵，以降低初始评分矩阵的稀疏度。由于目标用户进行的应用操作行为都是代表目标用户自身，使用这些行为推测出的数据更具真实性，并且包含用户的个性化信息。使用推测评分数据填充初始评分矩阵可以增加初始评分矩阵与用户的相关性，从而使得最终的推测结果更加真实，可以实现精准地推荐个性化图书给用户。本发明还提供了一种结合用户行为的图书推荐装置、结合用户行为的图书推荐设备及计算机可读存储介质，同样具有上述有益效果。

Description

一种结合用户行为的图书推荐方法、装置、设备及介质

技术领域

本发明涉及图书管理技术领域，特别是涉及一种结合用户行为的图书推荐方法、一种结合用户行为的图书推荐装置、一种结合用户行为的图书推荐设备及一种计算机可读存储介质。

背景技术

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。

为了解决信息超载问题，推荐系统应运而成，推荐系统现已广泛应用于很多领域，它能根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。对于图书管理系统来说，让用户能从海量的藏书信息中快速地筛选出用户偏好的图书信息是及其重要的，好的图书推荐方法能快速、精准地推荐个性化图书给用户。其中，对于图书推荐方法来说其精确度是重中之重，所以如何精准地推荐个性化图书给用户是本领域技术人员急需解决的问题。

发明内容

本发明的目的是提供一种结合用户行为的图书推荐方法，可以精准地推荐个性化图书给用户；本发明的另一目的在于提供一种结合用户行为的图书推荐装置、一种结合用户行为的图书推荐设备及一种计算机可读存储介质，可以精准地推荐个性化图书给用户。

为解决上述技术问题，本发明提供一种结合用户行为的图书推荐方法，包括：

获取目标用户对于目标图书的应用操作行为数据；

通过预先建立的SVM评分模型根据所述应用操作行为数据计算所述目标用户对所述目标图书的推测评分数据；

获取用户对于图书的初始评分矩阵；

将所述推测评分数据填充至所述初始评分矩阵，以得到可使用评分矩阵；

通过协同过滤推荐模型根据所述可使用评分矩阵向所述目标用户推荐待推荐图书。

可选的，所述应用操作行为数据包括以下任意一项或任意组合：

搜索次数、浏览次数、浏览页面停留时长、进入页面次数、是否加入心愿单、页面的滑动次数。

可选的，所述获取用户对于图书的初始评分矩阵包括：

获取用户对于图书的初始评分矩阵；所述初始评分矩阵包括所述目标用户对于所述目标图书的初始评分数据；

所述将所述推测评分数据填充至所述初始评分矩阵包括：

当所述初始评分矩阵中与所述目标用户和所述目标图书均对应的初始评分数据为零时，将所述推测评分数据填充至所述初始评分矩阵的对应位置。

可选的，所述通过协同过滤推荐模型根据所述可使用评分矩阵向所述目标用户推荐待推荐图书包括：

根据所述可使用评分矩阵计算图书的相似度矩阵；

根据所述相似度矩阵，预测所述目标用户对任一图书的预测评分数据；

将所述预测评分数据填充至所述可使用评分矩阵，以得到最终评分数据；

根据所述最终评分数据向所述目标用户推荐待推荐图书。

可选的，在所述获取目标用户对于目标图书的应用操作行为数据之后，所述方法还包括：

将所述应用操作行为数据作为原始数据，对所述原始数据进行处理得到对应的向量数据；

根据所述向量数据对所述SVM评分模型进行训练，以对所述SVM评分模型进行更新。

本发明还提供了一种结合用户行为的图书推荐装置，包括：

应用操作行为数据获取模块：用于获取目标用户对于目标图书的应用操作行为数据；

推测评分模块：用于通过预先建立的SVM评分模型根据所述应用操作行为数据计算所述目标用户对所述目标图书的推测评分数据；

初始评分矩阵获取模块：用于获取用户对于图书的初始评分矩阵；

填充模块：用于将所述推测评分数据填充至所述初始评分矩阵，以得到可使用评分矩阵；

推荐模块：用于通过协同过滤推荐模型根据所述可使用评分矩阵向所述目标用户推荐待推荐图书。

可选的，所述应用操作行为数据包括一下任意一项或任意组合：

可选的，所述推荐模块包括：

相似度矩阵计算单元：用于根据所述可使用评分矩阵计算图书的相似度矩阵；

预测单元：用于根据所述相似度矩阵，预测所述目标用户对任一图书的预测评分数据；

填充单元：用于将所述预测评分数据填充至所述可使用评分矩阵，以得到最终评分数据；

推荐单元：用于根据所述最终评分数据向所述目标用户推荐待推荐图书。

本发明还提供了一种结合用户行为的图书推荐设备，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如上述任一项所述结合用户行为的图书推荐方法的步骤。

本发明还提供了一种计算机可读存储介质，所述计算机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上述任一项所述结合用户行为的图书推荐方法的步骤。

本发明所提供的一种结合用户行为的图书推荐方法，会获取目标用户对于目标图书的应用操作行为数据，通过SVM评分模型根据应用操作行为数据计算目标用户对目标图书的推测评分数据，并将该推测评分数据填充至初始评分矩阵，以降低初始评分矩阵的稀疏度。由于目标用户进行的应用操作行为都是代表目标用户自身，使用这些行为推测出的数据更具真实性，并且包含用户的个性化信息。使用推测评分数据填充初始评分矩阵可以增加初始评分矩阵与用户的相关性，从而使得最终的推测结果更加真实，可以实现精准地推荐个性化图书给用户。

本发明还提供了一种结合用户行为的图书推荐装置、一种结合用户行为的图书推荐设备及一种计算机可读存储介质，同样具有上述有益效果，在此不再进行赘述。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，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为本发明实施例所提供的一种结合用户行为的图书推荐方法的流程图；

图2为本发明实施例所提供的一种具体的结合用户行为的图书推荐方法的流程图；

图3为本发明实施例所提供的一种结合用户行为的图书推荐装置的结构框图；

图4为本发明实施例所提供的一种结合用户行为的图书推荐设备的结构框图。

具体实施方式

本发明的核心是提供一种结合用户行为的图书推荐方法。在现有技术中，图书推荐方法多采用的是协同过滤推荐算法，通过寻找最近邻，产生推荐图书。但是随着图书数量越来越多，用户-图书评分矩阵变得越来越稀疏，使用协同过滤推荐算法的推荐精度受到比较大的影响。为了解决评分矩阵稀疏度问题，目前多采用基于填充的伪评分矩阵进行计算，比如使用读者评分的中位数进行填充，或者是通过用户的借阅历史推测评分数据进行填充。

但是，在图书馆场景下，每本图书的阅读者千差万别，各个用户都有自己的品味，直接使用其他用户评分数据填充某个用户的评分矩阵，会减少用户的个性化信息，对推荐结果的改善有限；使用用户借阅历史所推测出的评分数据的取值维度不够大。假设评分数据的取值范围在0-10之间，在该方法中，若用户借阅了某本书则用户对该图书的评分为10，若用户没有借阅某本图书则评分为0。这样做显然不符合实际情况，用户借了某本书并不代表用户就喜欢它，反之亦然。

而本发明所提供的一种结合用户行为的图书推荐方法，会获取目标用户对于目标图书的应用操作行为数据，通过SVM评分模型根据应用操作行为数据计算目标用户对目标图书的推测评分数据，并将该推测评分数据填充至初始评分矩阵，以降低初始评分矩阵的稀疏度。由于目标用户进行的应用操作行为都是代表目标用户自身，使用这些行为推测出的数据更具真实性，并且包含用户的个性化信息。使用推测评分数据填充初始评分矩阵可以增加初始评分矩阵与用户的相关性，从而使得最终的推测结果更加真实，可以实现精准地推荐个性化图书给用户。

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。

请参考图1，图1为本发明实施例所提供的一种结合用户行为的图书推荐方法的流程图。

参见图1，在本发明实施例中，所述结合用户行为的图书推荐方法包括：

S101：获取目标用户对于目标图书的应用操作行为数据。

在本步骤中，需要获取目标用户对于目标图书的应用操作行为数据。所谓应用操作行为数据，即体现目标用户在应用中对目标图书的操作行为的数据，上述应用操作行为数据可以包括搜索次数、浏览次数、浏览页面停留时长、进入页面次数、是否加入心愿单、页面的滑动次数等等，上述应用操作行为数据的种类均为目标用户在网站中对目标图书可执行的操作行为。需要说明的是，在本发明实施例中上述应用操作行为数据可以包括上述应用操作行为数据种类的任意一项或任意组合。

具体的，在本发明实施例中可以在应用客户端通过埋点程序进行上述应用操作行为数据的收集；在数据采集的过程中，通过埋点程序可以在客户端应用的日志模块中，对用户的操作行为进行打点记录，并传回服务器，以实现应用操作行为数据的收集。当然，在本发明实施例中也可以通过其他的方式获取应用操作行为数据，有关应用操作行为数据的具体收集方式在本发明实施例中并不做具体限定，视具体情况而定。

S102：通过预先建立的SVM评分模型根据应用操作行为数据计算目标用户对目标图书的推测评分数据。

在本发明实施例中，预先建立有SVM评分模型，所谓SVM评分模型即根据SVM(支持向量机)算法所构建的评分模型。有关SVM算法以及SVM评分模型的具体内容可以参考现有技术，在此不再进行赘述。在本步骤中，通过SVM评分模型可以根据上述应用操作行为数据计算得到目标用户对于该目标图书的推测评分数据。由于上述应用操作行为数据是目标用户对目标图书的具体操作，可以反映目标用户对目标图书的具体喜好。有关应用操作行为数据与推测评分数据之间具体的对应关系可以参考下表1。

表1.应用操作行为-推测评分数据表

如上表1所示，每个不同种类的应用操作行为数据在计算推测评分数据时具有不同的权重，通过SVM评分模型可以精确的推测目标用户对目标图书的推测评分数据。有关不同种类的应用操作行为数据的具体权重将在训练SVM评分模型时确定，在此不做具体限定。

S103：获取用户对于图书的初始评分矩阵。

在本步骤中，获取的初始评分矩阵中，体现了不同用户对不同图书的偏好。有关初始评分矩阵的具体内容可以参考下表2。

表2.初始评分矩阵

从上表2中可以看出，上述初始评分矩阵中横轴通常为不同的图书、纵轴通常为不同的用户，而初始评分矩阵中记录的数据是某一目标用户对某一目标图书的初始评分数据，该初始评分数据通常是目标用户对目标图书手动的评分数据。相应的，当目标用户没有对某一目标图书进行评分时，在初始评分矩阵中目标用户与该未评分的目标图书对应的初始评分数据通常为零。需要说明的是，在本发明实施例中本步骤可以与S101并行的执行。

S104：将推测评分数据填充至初始评分矩阵，以得到可使用评分矩阵。

在本步骤中，会将S102中得到的推测评分数据填充至S103中获取的初始评分矩阵，以降低初始评分矩阵的稀疏度，得到可使用评分矩阵。由于上述推测评分数据可以反映目标用户对目标图书的具体喜好，包含用户的个性化信息，更能代表用户自身的个性；从而使得可使用评分矩阵更加的真实，贴近实际应用情况。

具体的，在本步骤中，当初始评分矩阵中与目标用户和目标图书均对应的初始评分数据为零时，将上述推测评分数据填充至所述初始评分矩阵的对应位置。即在填充初始评分矩阵的过程中，在初始评分矩阵中对应某一推测评分数据的值为零时，将该零值替换成该推测评分数据；相应的，当在初始评分矩阵中对应某一推测评分数据的值不为零时，意味着该初始评分数据为用户手动打分的数据，此时该初始评分数据更能体现用户的喜好，此时将不会替换掉该初始评分数据。

S105：通过协同过滤推荐模型根据可使用评分矩阵向目标用户推荐待推荐图书。

在本步骤中，会通过协同过滤推荐模型，基于协同过滤推荐算法，根据S104中得到的可使用评分矩阵向目标用户推荐待推荐图书；其中待推荐图书为被推荐图书的目标用户没有浏览过的图书。有关协同过滤推荐模型以及协同过滤推荐算法的具体内容将在下述发明实施例中做详细介绍，在此不再进行赘述。

本发明实施例所提供的一种结合用户行为的图书推荐方法，会获取目标用户对于目标图书的应用操作行为数据，通过SVM评分模型根据应用操作行为数据计算目标用户对目标图书的推测评分数据，并将该推测评分数据填充至初始评分矩阵，以降低初始评分矩阵的稀疏度。由于目标用户进行的应用操作行为都是代表目标用户自身，使用这些行为推测出的数据更具真实性，并且包含用户的个性化信息。使用推测评分数据填充初始评分矩阵可以增加初始评分矩阵与用户的相关性，从而使得最终的推测结果更加真实，可以实现精准地推荐个性化图书给用户。

有关本发明所提供的一种结合用户行为的图书推荐方法的具体内容将在下述发明实施例中做详细介绍。

请参考图2，图2为本发明实施例所提供的一种具体的结合用户行为的图书推荐方法的流程图。

参见图2，在本发明实施例中，所述结合用户行为的图书推荐方法包括：

S201：获取目标用户对于目标图书的应用操作行为数据。

本步骤与上述发明实施例中S101基本一致，详细内容请参考上述发明实施例，在此不再进行赘述。

S202：将应用操作行为数据作为原始数据，对原始数据进行处理得到对应的向量数据。

在本发明实施例中，可以对SVM评分模型进行更新，以使SVM评分模型输出的推测评分数据更加的准确。在本步骤中，可以将S201中获取的应用操作行为数据作为SVM评分模型训练所需的原始数据，并对该原始数据进行处理，通常情况下，当获取的应用操作行为数据达到一定的数量，例如十万条时，再执行本步骤以及后续的S203，以对SVM评分模型进行训练以及更新。

在本步骤中，会先对原始数据进行处理得到对应的向量数据，以便在后续步骤中通过该向量数据对SVM评分模型进行训练。具体的，在将原始数据处理成向量数据时，通常需要经过预处理、归一化处理、特征选择等步骤，以最终将原始数据处理成向量数据。有关将原始数据处理成向量数据的具体过程，即上述预处理、归一化处理、特征选择等步骤的具体内容可以参考现有技术，在此不再进行赘述。

具体的，有关将原始数据处理成向量数据的具体结果可以参考下表3。

表3.原始数据-向量数据对应表

从上表3中可以看出，在将原始数据处理成向量数据之后，针对不同种类的应用操作行为数据，可以得到统一单位的数值，以便最后生成对应的推荐评分数据。

S203：根据向量数据对SVM评分模型进行训练，以对SVM评分模型进行更新。

在本步骤中，会根据S202中获取的向量数据对上述S102中所使用的SVM评分模型进行训练，以完成对SVM评分模型的更新，使得SVM评分模型输出的推测评分数据更加贴近现实情况。有关通过向量数据对SVM评分模型进行训练的具体过程可以参考现有技术，在此不再进行赘述。在本步骤中，可以实现对SVM评分模型的更新，以便在后续使用该SVM评分模型时输出的推测评分数据更加的精确。

S204：通过预先建立的SVM评分模型根据所述应用操作行为数据计算所述目标用户对所述目标图书的推测评分数据。

S205：获取用户对于图书的初始评分矩阵。

S206：将所述推测评分数据填充至所述初始评分矩阵，以得到可使用评分矩阵。

上述S204至S206与上述发明实施例中S102至S104基本一致，详细内容请参考上述发明实施例，在此不再进行赘述。

S207：根据可使用评分矩阵计算图书的相似度矩阵。

在本步骤中，需要根据可使用评分矩阵计算图书的相似度矩阵。所谓相似度矩阵，即表示不同图书之间相似度的矩阵。该相似度矩阵可以表示不同图书之间的相似度。

具体的，从可使用评分矩阵中，对于每本目标图书，可以得到每个用户对该目标图书的评分数据。为了得到两本目标图书之间的相似度，可以先假设某一目标图书的评分数据为(x₁，x₂，…，x_n)，另一目标图书之间的评分数据为(y₁，y₂，…，y_n)，此时该两本目标图书之间的欧氏距离d(x，y)具体表示为：

其中d(x，y)为两本目标图书之间的欧氏距离；x_i为某一目标图书的评分数据中第i个数据，y_i为另一目标图书的评分数据中第i个数据。

此时，上述两本目标图书之间的相似度s可以表示为：

其中s为两本目标图书之间的相似度，d(x，y)为两本目标图书之间的欧氏距离。上述两本目标图书之间的欧氏距离越小，则上述两本目标图书之间的相似度越大。

在本步骤中，根据可使用评分矩阵可以计算得到不同目标图书之间的相似度，从而构成关于不同图书的相似度矩阵。有关相似度矩阵的具体内容可以参考下表4。

表2.相似度矩阵

从上表4中可以看出，不同图书之间具有计算得到的相似度，而同一本图书之间的相似度在本发明实施例中设定为零。

S208：根据相似度矩阵，预测目标用户对任一图书的预测评分数据。

在上述可使用评分矩阵中，依然存在值为零的数，即某一目标用户依然存在没有浏览过的图书。此时，可以根据相似度矩阵预测得到某一用户对没有浏览过的图书的评分数据，即预测评分数据。

具体的，在计算某一目标用户对某一目标图书的预测评分数据时，可以取出可使用评分矩阵中某一目标用户的全部非零评分数据；由于相似度矩阵中每一本图书均有与目标图书对应的相似度，此时可以将某一目标用户的全部非零评分数据与对应的相似度相乘，其结果在相加，之后再除以全部非零评分数据的个数；即根据上述评分矩阵中目标用户的全部非零评分数据，以及相似度矩阵中对于目标图书的全部相似度计算其加权平均值，从而得到目标用户对于某一没有浏览过图书的预测评分数据。当然，也可以通过其他算法得到上述预测评分数据，在本发明实施例中并不做具体限定。

S209：将预测评分数据填充至可使用评分矩阵，以得到最终评分数据。

与S104以及S206相类似，本步骤会将S208得到的预测评分数据填充至S206中得到的可使用评分矩阵，以便最终向目标用户推荐图书。具体的，在本步骤中，当可使用评分矩阵与目标用户和目标图书均对应的评分数据为零时，意味着目标用户没有浏览过该目标图书，此时可以将上述预测评分数据替换上述值为零的评分数据，以得到最终评分数据。相应的，当可使用评分矩阵中与目标用户和目标图书均对应的评分数据不为零时，将不会替换该评分数据。

S210：根据最终评分数据向目标用户推荐待推荐图书。

在本步骤中，会根据最终评分数据像目标用户推荐待推荐图书，其中待推荐图书为目标用户没有浏览过的图书。具体的，在本步骤中会在用户没有浏览过的图书中，确定x本评分数据最高的图书，将该x本图书推荐给用户；其中x为推荐图书的数量。有关具体确定x本评分数据最高图书的步骤可以根据实际情况自行设定，在此不做具体限定。

本发明实施例所提供的一种结合用户行为的图书推荐方法，可以通过应用操作行为数据对SVM评分模型进行训练以更新该SVM评分模型，以使SVM评分模型输出的推测评分数据更加的准确。

下面对本发明实施例所提供的一种结合用户行为的图书推荐装置进行介绍，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。

图3为本发明实施例所提供的一种结合用户行为的图书推荐装置的结构框图，参照图3图书推荐装置可以包括：

应用操作行为数据获取模块100：用于获取目标用户对于目标图书的应用操作行为数据。

推测评分模块200：用于通过预先建立的SVM评分模型根据所述应用操作行为数据计算所述目标用户对所述目标图书的推测评分数据。

初始评分矩阵获取模块300：用于获取用户对于图书的初始评分矩阵。

填充模块400：用于将所述推测评分数据填充至所述初始评分矩阵，以得到可使用评分矩阵。

推荐模块500：用于通过协同过滤推荐模型根据所述可使用评分矩阵向所述目标用户推荐待推荐图书。

作为优选的，在本发明实施例中，所述应用操作行为数据包括一下任意一项或任意组合：

作为优选的，在本发明实施例中，所述初始评分矩阵获取模块300具体用于：

获取用户对于图书的初始评分矩阵；所述初始评分矩阵包括所述目标用户对于所述目标图书的初始评分数据。

所述填充模块400具体用于：当所述初始评分矩阵中与所述目标用户和所述目标图书均对应的初始评分数据为零时，将所述推测评分数据填充至所述初始评分矩阵的对应位置。

作为优选的，在本发明实施例中，所述推荐模块500包括：

相似度矩阵计算单元：用于根据所述可使用评分矩阵计算图书的相似度矩阵。

预测单元：用于根据所述相似度矩阵，预测所述目标用户对任一图书的预测评分数据。

填充单元：用于将所述预测评分数据填充至所述可使用评分矩阵，以得到最终评分数据。

作为优选的，在本发明实施例中，图书推荐装置还可以包括：

向量数据转换模块：用于将所述应用操作行为数据作为原始数据，对所述原始数据进行处理得到对应的向量数据。

训练模块：用于根据所述向量数据对所述SVM评分模型进行训练，以对所述SVM评分模型进行更新。

本实施例的图书推荐装置用于实现前述的图书推荐方法，因此图书推荐装置中的具体实施方式可见前文中的图书推荐方法的实施例部分，例如，应用操作行为数据获取模块100，推测评分模块200，初始评分矩阵获取模块300，填充模块400，推荐模块500分别用于实现上述图书推荐方法中步骤S101，S102，S103，S104和S105，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

下面对本发明实施例提供的一种结合用户行为的图书推荐设备进行介绍，下文描述的图书推荐设备与上文描述的图书推荐方法以及图书推荐装置可相互对应参照。

请参考图4，图4为本发明实施例所提供的一种结合用户行为的图书推荐设备的结构框图。

参照图4，该红外触摸框的触摸定位设备可以包括处理器11和存储器12。

所述存储器12用于存储计算机程序；所述处理器11用于执行所述计算机程序时实现上述发明实施例中所述的图书推荐方法。

本实施例的图书推荐设备中处理器11用于安装上述发明实施例中所述的图书推荐装置，同时处理器11与存储器12相结合可以实现上述任一发明实施例中所述的图书推荐方法。因此图书推荐设备中的具体实施方式可见前文中的图书推荐方法的实施例部分，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本发明还提供了一种计算机可读存储介质，所述计算机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任一发明实施例中所介绍的一种结合用户行为的图书推荐方法。其余内容可以参照现有技术，在此不再进行展开描述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种结合用户行为的图书推荐方法、一种结合用户行为的图书推荐装置、一种结合用户行为的图书推荐设备及一种计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims

1.一种结合用户行为的图书推荐方法，其特征在于，包括：

获取目标用户对于目标图书的应用操作行为数据；

获取用户对于图书的初始评分矩阵；

2.根据权利要求1所述的方法，其特征在于，所述应用操作行为数据包括以下任意一项或任意组合：

3.根据权利要求2所述的方法，其特征在于，所述获取用户对于图书的初始评分矩阵包括：

所述将所述推测评分数据填充至所述初始评分矩阵包括：

4.根据权利要求1至3任一项权利要求所述的方法，其特征在于，所述通过协同过滤推荐模型根据所述可使用评分矩阵向所述目标用户推荐待推荐图书包括：

根据所述可使用评分矩阵计算图书的相似度矩阵；

根据所述最终评分数据向所述目标用户推荐待推荐图书。

5.根据权利要求1所述的方法，其特征在于，在所述获取目标用户对于目标图书的应用操作行为数据之后，所述方法还包括：

6.一种结合用户行为的图书推荐装置，其特征在于，包括：

7.根据权利要求6所述的装置，其特征在于，所述应用操作行为数据包括一下任意一项或任意组合：

8.根据权利要求6或7所述的装置，其特征在于，所述推荐模块包括：

9.一种结合用户行为的图书推荐设备，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5任一项所述结合用户行为的图书推荐方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机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5任一项所述结合用户行为的图书推荐方法的步骤。