文献类型：期刊文章

作　　者：丁永刚[1] 张雨琴[1] 付强[2] 周箭锋[1] 黄志芳[1]

Ding Yonggang

机构地区：[1]湖北大学教育学院,湖北武汉430062 [2]武汉船舶通信研究所,湖北武汉430074

出　　处：《情报理论与实践》

基　　金：湖北省高等学校省级教学改革研究项目“MOOC应用于混合学习的实现路径与效果评价”(项目编号:2015203);教育部人文社会科学青年基金项目“基于学习者动态画像的适应性学习路径推荐机制研究”(项目编号:19YJC880036)的成果

年　　份：2019

卷　　号：42

期　　号：9

起止页码：133-138

语　　种：中文

收录情况：BDHX、BDHX2017、CSSCI、CSSCI2019_2020、JST、NSSD、RCCSE、RWSKHX、ZGKJHX、核心刊

摘　　要：[目的/意义]传统基于协同过滤的图书资源推荐算法难以处理数据稀疏问题,而传统基于矩阵分解的推荐算法在处理高维数据时可扩展性差,且它们的推荐结果仅依据预测评分大小确定,导致推荐准确度不高。鉴于此,文章提出基于SOM神经网络和排序因子分解机的图书资源推荐方法。[方法/过程]该方法首先利用SOM神经网络,基于用户学术背景信息对用户进行聚类,然后利用用户对图书资源的显式和隐式Web访问行为构建图书资源偏序关系,最后利用因子分解机(FM)作为排序函数对用户学术背景、Web访问行为和借阅图书简介文本等多种特征信息进行建模,并使用对级(Pairwise)排序学习算法实现图书资源的精准推荐。[结果/结论]实验结果表明,文章所提出的方法能有效缓解数据稀疏问题,提高推荐的准确率和效率。

关 键 词：SOM神经网络 排序因子分解机  排序学习  图书推荐 个性化服务

分 类 号：G250.7[图书情报与档案管理类] TP391.3] TP183[计算机类]