[发明专利]一种基于用户的k-最近邻算法的图书推荐方法

说明书

本发明公开了一种基于用户的k‑最近邻算法的图书推荐方法和系统，本发明实现了基于用户k‑近邻协同过滤算法的图书推荐方法，本发明将推荐技术应用到了图书推荐系统中，目的是为了给读书爱好者个性化地推荐其有可能感兴趣的图书，减少读书爱好者在海量图书信息中找到感兴趣图书的时间。本发明应用的推荐算法是基于协同过滤的推荐算法，具体使用到了基于用户的k‑最近邻算法，这些算法可以针对不同读者对图书的评分，向不同的读者个性化地推荐其可能感兴趣的图书。

技术领域

本发明属于图书推荐技术领域，涉及一种基于用户的k-最近邻算法的图书推荐方法和系统。

背景技术

随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代。很多时候，我们面临的问题不是物质短缺、信息匮乏，而是这些东西太多，让我们眼花缭乱、不知如何选择。面对海量信息，目前，存在着两方面的问题，一方面，如何从过载的信息中找到自己真正感兴趣的内容；另一方面，信息提供者如何使他们提供的信息被感兴趣的人注意到，而不是被淹没在海量的信息中。

为了解决信息过载问题，出现了分类目录和搜索引擎。它们都是在信息和用户之间建立匹配的，用户可以通过搜索关键字来寻找感兴趣的信息。然而，搜索引擎也存在着局限性，首先，它提供的结果通常不是个性化的，不同的人用同一个关键词进行搜索，返回的结果往往是一模一样的，而人与人之间的品味往往是各不相同的；因此，搜索引擎无法准确地为不同用户过滤信息；搜索引擎的另一个局限性就是它要求用户必须对自己的需求有清晰的认识，并且能够用关键词表述出来，然而，用户有时候存在着某些需求，这些需求他们自己还没有意识到，这时候搜索引擎就无能为力了。虽然这两种工具都可以帮助用户较快的找到他们可能感兴趣的信息。但这些工具都不能针对不同的用户提供个性化的服务。

推荐系统是另外一种帮助信息和用户进行匹配的手段。与搜索引擎不一样的是，推荐系统无需用户输入额外的关键词，它能根据用户以往历史行为记录，主动挖掘有相似兴趣爱好的近邻用户，找到近邻用户的兴趣物品信息，并将相关商品或信息推荐给用户。由于是根据每个用户的特点进行推荐的，所以它能够满足个性化的要求，为不同的用户推荐满足他们个性化需求的产品，让信息更加准确地展现在用户面前，同时，它也不那么依赖于用户主动输入的信息去过滤信息。

基于用户的k-最近邻协同过滤算法的核心思想是：在已给一个用户-物品评分矩阵的前提下，找到与当前用户历史评分记录最相似的其他用户(被称为当前用户的邻居)，k-最近邻算法是利用这些邻居的信息来产生推荐，对于当前用户未评分，但邻居评分的所有物品作为候选推荐物品，使用这些邻居的评分记录和用户之间的相似度信息来预测当前用户对这些候选推荐物品的评分，最后再将评分较高的若干个物品推荐给当前用户，该方法充分考虑了用户之间喜好的相似性来做出预测，其预测结果较为可靠准确。

发明内容

本发明目的是提供一种基于用户的k-最近邻算法的图书推荐方法和系统，该算法可以针对不同用户对图书的评分，向不同的用户个性化地推荐其可能感兴趣的图书，全面考虑了系统中涉及对象的相似度，提高了推荐的准确度，

为实现上述目的，本发明采用以下技术方案：

一种基于用户的k-最近邻算法的图书推荐方法，包括以下步骤：

(1)将用户历史图书评分行为数据按照均匀分布随机分为M份，选取一份作为测试集，将剩下的M-1份作为训练集，在用户历史图书评分行为数据的训练集上建立基于用户和基于物品的k-最近邻推荐模型；

(2)通过k-最近邻推荐模型在用户历史图书评分行为数据的训练集上建立用户兴趣模型，生成推荐图书列表，再通过结合用户历史图书评分行为数据的测试集，计算最相似用户的个数k在初始值的情况下，k-最近邻算法的准确率和召回率；

(3)依次更新建立k-最近邻推荐模型中的所设定算法的最相似用户的个数 k值，计算不同k值下的图书推荐列表和算法的准确率和召回率；