标签归档：推荐系统

    由于起步较早，目前国外的图书馆信息化程度整体上优于国内，推荐系统也已经开始应用在数字化图书馆领域，为读者提供个性化的图书推荐服务。其中，BibTip，ExLibris bX，Foxtrot，TechLens，Fab和LIBRA是几个比较有代表性的图书馆推荐系统解决方案。

    德国卡尔斯鲁厄大学的BibTip推荐系统从2009年开始作为一项独立的付费服务对用户开放。BibTip是一个基于行为的推荐系统，通过对用户行为的匿名监控与评估提供推荐服务。该系统在服务器上进行推荐的数据分析及管理，图书馆无需过多的技术投入即可使用BibTip的服务。BibTip的体系结构包含3层，自底向上分别为数据层、代理层和用户界面层。BibTip的理论基础是Andrew Ehrenberg提出的重复购买理论，该理论对消费者的行为进行了分析^[1]。Ehrenberg证明人们在做出商品支付决定后会重复他们的选择，并且在下一次购物时会倾向于选择同一个品牌。BibTip使用了这一理论。通过用户的初始行为可得出用户的兴趣和喜好。例如，假设某用户对刊物X感兴趣，则该用户很可能对同一作者的刊物Y也感兴趣。BibTip需要大约几个月的时间收集和分析用户的初始行为数据。如果用户的访问频率较高，初始阶段可以缩短一些，但是推荐系统仍然面临着冷启动的问题。由于是基于用户行为的推荐系统，BibTip的适用范围比较广泛 ...

在推荐系统简介中，我们给出了推荐系统的一般框架。很明显，推荐方法是整个推荐系统中最核心、最关键的部分，很大程度上决定了推荐系统性能的优劣。目前，主要的推荐方法包括：基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐。

一、基于内容推荐

基于内容的推荐（Content-based Recommendation）是信息过滤技术的延续与发展，它是建立在项目的内容信息上作出推荐的，而不需要依据用户对项目的评价意见，更多地需要用机 器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料。在基于内容的推荐系统中，项目或对象是通过相关的特征的属性来定义，系统基于用户评价对象 的特征，学习用户的兴趣，考察用户资料与待预测项目的相匹配程度。用户的资料模型取决于所用学习方法，常用的有决策树、神经网络和基于向量的表示方法等。 基于内容的用户资料是需要有用户的历史数据，用户资料模型可能随着用户的偏好改变而发生变化。

基于内容推荐方法的优点是：
1）不需要其它用户的数据，没有冷开始问题和稀疏问题。
2）能为具有特殊兴趣爱好的用户进行推荐 ...