智能推荐系统：满足用户需求并缓解系统冷启动

（一）推荐系统概念

推荐系统最早能够追溯到认知科学、预测理论、信息检索、近似理论、管理科学和市场下客户选择模型等。传统推荐系统的定义为获取用户兴趣，分析用户商品信息，依据相应推荐算法，利用信息技术，为用户产生推荐。刘鲁等认为，推荐系统是一种双向的信息传递，不仅局限于为用户传递单向的信息，而且能够帮助企业寻找最有潜力最有价值的客户。^[3]

Adomavicius等则从形式上定义了推荐系统，具有重要参考价值：用C代表所有的用户的集合；S表示可能被推荐的所有项目集合（如新闻、图书、歌曲等）；u代表一个效用函数，用来度量被推荐的项目；s对于用户c的可用性，如u：C×S→R；R表示一个全序集合。那么，对于每个用户，c∈C，要找到能够让用户的效用函数u最大的项目s'∈S，即：

简单而言，图书馆推荐系统是指能按照读者用户的定制要求提供服务，同时也能通过收集读者用户显性或隐性信息，主动分析和挖掘读者用户行为需求，动态追踪其变化的兴趣，从而预测读者用户偏好，对读者用户推荐其所需知识信息资源。

（二）推荐系统算法分类

推荐系统在不同领域按不同的角度和标准有不同的分类，在以往的学术文献资料中，大多是从推荐系统的技术或者算法上进行分类。目前，国内外主流的推荐系统技术有3类：基于内容推荐系统、基于协同过滤推荐的推荐系统及混合推荐系统。基于内容的推荐系统，主要依靠项目自身内容属性做出推荐；基于协同过滤的推荐，不依赖于内容，而是依据分析项目或者读者用户之间的相似性做出推荐；混合推荐系统则是为了各取彼之所长，避免此之所短，综合了前两种技术，以解决新用户、冷启动等问题。从推荐技术的使用领域和使用到的数据挖掘技术角度给出了推荐系统技术框架分类如下：①数据挖掘技术，包括有聚类、管理、决策水、KNN、链路分析、神经网络、回归、启发式方法等。②应用领域，包括有电子商务、图书馆、新闻、音乐、旅游、电影等等领域。

近几年，随着技术的发展和研究的深入，涌现出了许多新的算法和技术来支持和完善推荐系统，包括基于社会网络技术推荐，基于语境感知技术推荐，基于人口统计信息推荐，基于心理推荐，基于大数据技术推荐等。以下简单介绍几种常用算法。(https://www.xing528.com)

第一，基于内容的推荐算法。这种推荐主要依据的是项目或物品内容特性进行推荐，系统给用户推荐的项目，与其之前所偏好的项目，在内容具上有最高相似性。这种推荐算法需两种信息，包括用户历史偏好数据和项目内容属性数据，其关键在于建立项目模型和建立用户偏好模型，然后计算他们之间相似度，这种推荐不需要大量的用户打分等历史信息数据，对单个的用户就能够生成推荐结果的列表。

第二，基于用户统计信息推荐算法。人口统计数据通常包含读者用户的国籍、民族、年龄、性别、学历、职业、收入、工作、地址等基本信息。该算法通常采用交互式对话收集用户信息，依据用户特征差别，利用用户信息属性对其进行分类，发现用户之间的相关程度，对类中用户进行相似性计算，而后生成用户“最近邻居”群，为既定用户做出推荐。这种推荐技术与基于用户协同推荐技术有些类似，都是依赖于计算用户之间相似性，虽然基于用户统计信息其推荐算法的准确率并不是很高，但其优势在于，不依赖用户的过去数据，不存在系统的冷启动问题，而且还不依赖于物品项目的内容特征。

第三，基于知识的推荐算法。基于知识推荐算法中，语义本体得到了广泛的实践，可用于描述产品、用户概要和领域知识等信息。这种算法，能够在语义互联环境中，获得用户和物品项目知识，经过语义匹配、知识推理等，推断产品能否满足用户的显性或隐性需求，并能分析系统的具体特定环境做出具体的推荐，必要时，通过结合传统推荐算法，产生推荐结果。这一推荐算法具有特定文献满足特定需求的信息，涉及较为复杂的用户交互以确定其偏好和需求，而不依赖于描述用户历史数据，能够一定程度的缓解系统冷启动方面的不足。此外，基于知识的推荐算法，能够及时察觉用户喜好的变化并做出反应，快速响应读者用户实际时性需求，无须训练。

第四，基于关联规则推荐算法。关联规则不仅可以有效地进行数据挖掘，还能够进行机器学习，从海量数据中挖掘出有价值的知识和信息，来描述数据的相关性，通过分析用户数据，生成关联规则，基于关联规则，建立模型，然后根据用户行为和推荐模型完成用户推荐。关联规则推荐其建立模型是离线进行的，更好地保障了推荐算法的实时性，通过把已获取的图书信息作为规则体系进行推荐，其中，书籍和文献名称的相似同义性是该算法所面临的最困难问题之一。

第五，基于情景推荐算法。在推荐系统中引入情景感知技术，既是一种手段，也是一个理念，兼具了个性化和普适化计算的两大优势。情景不仅包含了环境自身，也囊括了环境中所有实体或明示或暗示的，可以用来表述其状态的所有信息。实体可以是实物实体，如人、地点等，也可以是虚拟实体，如网络、软件、程序等。用户情景因素是情景感知推荐的核心，通过对情景包括位置、时间、需求等因素进行分析，依据特定情景和信息资源探索用户变化的兴趣。系统通过结合图书馆与用户的空间，能够对用户实施情境进行自动感知，判断用户行为，及时调整服务，动态化满足用户的动态需求。这种推荐算法除考虑用户—项目二元关系之外，还融入用户所包含的情景因素，进行多维度推荐，计算信息资源情景与用户当前情景相似性，进行匹配服务，更好地满足特定用户在特定环境下的特定需求。