基于书籍本体的特征向量模型研究

刘莉

摘要：本文提出了一种基于并行化感知触发因子的本体特征向量模型，研究重点在于书籍对用户偏好模型表征用户兴趣的准确度和对潜在兴趣的挖掘度，直接决定了资源推荐的准度和广度等问题上，通过将本体感知因子形成的特征向量形成数据集，从而实现了并行算法结构处理过程。通过设置本体感知因子的特征向量以确定容量及结构范围，形成的初始化特征因子会被定义在局部结构内进行分析和学习能力

关键词：本体;触发感知因子;特征向量模型

1 引言

随着信息化时代的来临，信息数据量正成几何形式的增长，对于信息数据的处理工作成为当前科学研究前沿问题。以图书馆为例，在以往的图书馆信息管理中，仅存在于书籍目录及简单的数据库储存和搜索形式中。在发达国家，各级图书馆不仅实现了网络化的统一管理模式，还将书籍信息进行了数字化处理，更能实现书籍信息内容的检索和编译。不仅如此，针对用户的偏好，还可以更有针对性地向用户推荐内容。就图书馆书籍服务内容来说，书籍推荐工作已经成为最重要的工作内容，还代表了图书馆科技建设水平的质量。

2 基于本体理论的书籍

在图书馆的书籍因其具有较强的知识方向性和更深的理论及应用价值受到更多地关注，但是在图书馆的书籍因知识面窄和熟知性低的问题往往不被广大读者所知，而对于有针对性需求的读者又往往无法获得有效推荐，所以在书籍的推广上应作为图书馆书籍推荐研究工作的难点突破口之一进行解决。本文也正是基于以上问题，自足于书籍的推荐工作上，基于书籍的本体感知触发技术应用与协同过滤方法的研究，总体上根据建立书籍本体构架，在模型中引发触发机制进行信息搜集、处理和过滤，并据此向用户推荐书籍。本文研究重点在于用户偏好模型表征用户兴趣的准确度和对潜在兴趣的挖掘度直接决定了资源推荐的准度和广度等问题上。

对于书籍的本体模型的建立，首先根据书籍的各类书籍信息进行整理，然后带入到图书馆藏书籍目录中，形成信息化的数据资料，衍生的信息会被不断的分化，逐步形成了本体的组件。对于书籍本体模型的描述中，以书籍知识领域、书籍信息、出版社信息等内容是作为本体固定信息存在的，这类信息内容自始至终不会更改，作为本体的基础信息，对于书籍推荐效果也不会产生较大的影响。但更多地本体模型描述是依据不同环境的变化而改变的，例如：书籍借阅效果是随着书籍借阅次数及书籍评价等内容影响的，而热度也会受到专业学科动态信息等影响。

所以研究如何利用技术手段来实现书籍的推荐工作就要考虑到本体技术中对于动态信息的感知能力及辨别效果。

3 书籍推荐模型的建立

3.1 书籍推荐模型

书籍推荐模型的建立是依据与书籍相关知识内容的关联产生的，这里的书籍信息和用户信息被分别列为本体的感知因子，针对各类信息内容又会呈现出更多地感知因子，因此基于本体的感知因子因为聚类过程相互独立且每次迭代相同任务，所以会形成庞大的粒子团，而随着任务粒度增加，计算时间也相对越长。由于感知因子的数据对象彼此独立，计算每个数据对象所属的聚类，随着聚类迭代次数增加，需要不断更新聚类中心。针对以上情况，本文提出基于协同过滤算法，就是有效地支持迭代运算，提高算法效率。

3.2 书籍推荐流程

第一阶段，针对协同过滤算法进行并行化设计与实现。本文通过将本体感知因子形成的特征向量形成数据集，从而实现了并行算法结构处理过程，对于以后的的解析过程也起到了结构性优化的特征。通过设置本体感知因子的特征向量以确定容量及结构范围，形成的初始化特征因子会被定义在局部结构内进行分析和学习能力，这样就会不断产生大量的数据信息，最终形成了初代特征向量因子团。

第二阶段，在第一阶段得到初代特征向量因子团的基础上，带入到初始化的聚类中心进行数据分析。首先，将各数据样本分布至集群中的 n 个计算节点，并且将聚类中心借助函数使其在各个计算节点间实现共享。与此同时，针对每个数据分片，计算其与最近聚类中心的轨迹距离，并根据每个聚类中心计算属于该聚类的数据之和，对每个节点的累加数据和进行合并求和，判断sum和是否小于阈值，通过函数计算来完成更新聚类中心的操作，直到算法收敛或完成迭代从而输出聚类中心和聚类结果。

第三阶段，书籍推荐。首先对目标用户进行判断，如果是新用户，则会根据系统热度排行将流行度最高的N个书籍资源向新读者进行推荐;如果是老用户，则会根据聚类中心计算用户所属聚类，使用函数获取目标用户评分的项目信息，同时执行持久化操作，计算聚类内用户之间的相似度，从而通过函数过滤与目标用户相似度最高的用户信息，获取目标用户邻域的用户评价过的项目信息和目标用户未评价过的项目信息，计算目标用户对项目信息的预测评分，将评分最高的N个项目推荐给目标用户。无论是新用戶还是老用户在系统使用过程中的信息识别都会被累计到个人用户信息库中，形成了用户信息特征库，为日后的书籍推荐工作提供信息。

通过对于书籍推荐模型的建立，可以实现基于本体技术的特征化向量机的系统推荐功能，具备了智能化书籍推荐的能力，对于图书馆的推荐服务可以做到以用户为单位的针对性推荐效果，可以让每位用户享受到细致化的服务感受。而且，随着系统的信息量不断增加，感知内容会不断提高服务质量，让图书馆与用户双双受益。

4 总结

本文在基于本体感知技术的基础上，提出了融合用户兴趣分布变化和特征差异的协同过滤推荐算法。通过设置本体感知因子的特征向量以确定容量及结构范围，形成的初始化特征因子会被定义在局部结构内进行分析和学习能力，带来了获取信息的便利性，还能起到对其他推荐平台的推广作用。

参考文献：

[1]Item-based top- N recommendation algorithms[J]. Mukund Deshpande，George Karypis.  ACM Transactions on Information Systems （TOIS） . 2004 （1）

[2]Factorization meets the neighborhood：a multifaceted collaborative filtering model. Yehuda Koren. ACM SIGKDD International Conference on Know ledge Discovery and Data M ining . 2008

[3]基于用戶的协同过滤算法的改进研究[J]. 苏林宇，陈学斌.  软件. 2017（04）

[4]一种基于自适应近邻选择的协同过滤推荐算法[J]. 彭玉，程小平.  电脑知识与技术. 2016（16）

[5]基于项目评分预测的混合式协同过滤推荐[J]. 盈艳，曹妍，牟向伟.  现代图书情报技术. 2015（06）

[6]一种基于向量空间模型的模糊本体映射方法[J]. 张凌宇，陈淑鑫，张光妲，吕洪柱.  计算机应用研究. 2014（05）

[7]基于本体理论的智能电网广义数据管理模型[J]. 黄彦浩，周孝信.  电力系统自动化. 2014（09）

[8]基于精确匹配的概念映射关系规则研究[J]. 邓盼盼，常春.  图书情报工作. 2013（16）

[9]一种高效的多策略本体映射方法[J]. 姚晓明，王锋，林兰芬，朱晓伟，谢非.  中国科技论文. 2013（07）

[10]图解析方式的复合本体映射策略研究[J]. 凌仕勇，龚锦红.  华东交通大学学报. 2013（03）

[11]A content-collaborative recommender that exploits WordNet-based user profiles for neighborhood formation[J] . Marco Degemmis，Pasquale Lops，Giovanni Semeraro.  User Modeling and User-Adapted Interaction . 2007 （3）

[12]Afelder and silverman learning styles model based personalization approach to recommend learning objects. BIROL CILOGLUGIL，MUSTAFA MURAT INCEOGLU. Computational Science and Its Applications-ICCSA . 2016.