基于二部图网络的个性化推荐系统资料

推荐系统概述（个性化推荐）推荐系统概述(个性化推荐)核⼼：通过发现数据集中的模式，为⽤户提供与之最为相关的信息。

1.从⼀个例⼦出发两名⽤户都在某电商⽹站购买了A、B两种产品。

当他们产⽣购买这个动作的时候，两名⽤户之间的相似度便被计算了出来。

其中⼀名⽤户除了购买了产品A和B，还购买了C产品，此时推荐系统会根据两名⽤户之间的相似度会为另⼀名⽤户推荐项⽬C。

2.应⽤现状推荐系统可以说是⽆处不在了，⽐如：电商的猜你喜欢，浏览器右侧的推送消息，包括搜索结果的排序，⼴义来说都算推荐系统的⼀部分。

⽬前推荐系统给亚马逊带来了35%的销售收⼊，给Netflix带来了⾼达75%的消费，并且Youtube主页上60%的浏览来⾃推荐服务。

⾳乐软件如Spotify及Deezer也使⽤推荐系统进⾏⾳乐推荐。

3.推荐算法协同过滤的推荐⼜可以分为两类:1. 启发式推荐算法（Merhory-based algorithms)启发式推荐算法易于实现，并且推荐结果的可解释性强。

启发式推荐算法⼜可以分为两类:基于⽤户的协同过滤(User-based collaborative filtering)：主要考虑的是⽤户和⽤户之间的相似度，只要找出相似⽤户喜欢的物品，并预测⽬标⽤户对对应物品的评分，就可以找到评分最⾼的若⼲个物品推荐给⽤户。

举个例⼦，李⽼师和闫⽼师拥有相似的电影喜好，当新电影上映后，李⽼师对其表⽰喜欢，那么就能将这部电影推荐给闫⽼师。

基于物品的协同过滤(ltem-based collaborative filtering)：主要考虑的是物品和物品之间的相似度，只有找到了⽬标⽤户对某些物品的评分，那么就可以对相似度⾼的类似物品进⾏预测，将评分最⾼的若⼲个相似物品推荐给⽤户。

举个例⼦，如果⽤户A、B、C给书籍X、Y的评分都是5分，当⽤户D想要买Y书籍的时候，系统会为他推荐X书籍，因为基于⽤户A、B、C的评分，系统会认为喜欢Y书籍的⼈在很⼤程度上会喜欢X书籍。

基于大数据的个性化推荐系统一、引言个性化推荐系统是利用用户行为数据和大数据技术为用户提供个性化推荐的一种智能化应用。

随着互联网的发展和大数据的日益增长，个性化推荐系统成为了众多电子商务、社交媒体和新闻媒体平台的重要功能之一。

本文将深入探讨基于大数据的个性化推荐系统，介绍其原理和应用。

二、个性化推荐系统的原理个性化推荐系统的原理主要包括数据采集、数据预处理、特征工程和推荐算法等步骤。

1. 数据采集个性化推荐系统依赖于大量的用户行为数据，如点击记录、购买记录、评分记录等。

这些数据需要通过网络日志、数据库等方式进行采集，并进行去重和清洗，以保证数据的准确性和完整性。

2. 数据预处理采集到的原始数据需要进行预处理，包括数据清洗、数据归一化、数据转换等。

清洗过程中需要剔除异常值和噪声数据，以提高推荐系统的准确性。

3. 特征工程特征工程是个性化推荐系统的关键一步，通过从用户行为数据中提取有意义的特征，并对这些特征进行处理和转换，构建用户画像。

常用的特征包括用户的兴趣、购买偏好、地理位置等。

特征工程的好坏会直接影响到推荐系统的效果。

4. 推荐算法推荐算法是个性化推荐系统的核心，根据用户的特征和历史行为，利用数据挖掘和机器学习等技术，从海量数据中挖掘出用户的个性化需求和喜好，实现精准推荐。

常用的推荐算法包括协同过滤、基于内容的过滤、矩阵分解等。

三、个性化推荐系统的应用个性化推荐系统广泛应用于电子商务、社交媒体、新闻媒体等领域，为用户提供个性化、精准的推荐服务。

1. 电子商务个性化推荐系统在电子商务领域的应用非常广泛，通过分析用户的购买历史和浏览行为，为用户推荐符合其兴趣和偏好的商品。

个性化推荐不仅能提高用户的购买意愿和满意度，还能促进销售额的增长。

2. 社交媒体社交媒体平台如Facebook、Twitter等，利用个性化推荐系统为用户推荐感兴趣的内容、关注的用户等。

通过分析用户的社交关系和行为，为用户提供个性化的信息流，提高用户粘性和活跃度。

基于二部图(Bipartite Network)的推荐算法不必考虑用户和项目的内容信息，它是一种结合物质扩散(Massive Diffusion)理论的推荐算法。

周涛[1]等人研究了一些物理学的知识，比如热传导理论以及物质扩散理论等，并将它们应用在推荐算法中，提出了这种基于二部图的推荐算法。

二部图是一种特殊的网络，它包含有两类不同类型节点，并且仅允许不同类型的节点之间可以有连线。

自然界许多问题可以利用二部图进行解决，比如性别关系、边着色问题等。

在二部图的应用中，同一类型节点之间的合作相互关系成为了研究领域的热点。

比如，可以利用由演员节点和演出剧目节点组成的二部图来研究演员之间在演出中的合作关系。

在一个具体的推荐系统中，可以把用户看作是一类节点，把项目看作是另一类节点。

通过由用户节点和项目节点组成的二部图，我们可以利用相邻的用户为目标用户推荐可能感兴趣的项目。

物质扩散类似于在复杂网络中的随机游走的概念。

它假设在一个系统中有着固定数量的“物质”在传递，并且在传递的过程中这些“物质”的总量始终保持守恒。

最后系统稳定状态的结果与节点的度数成正比。

在推荐系统中，我们认为目标用户所选择过的项目能够提供一定的推荐能力信息。

在操作过程中，首先为每个项目赋予初始资源1。

根据物质扩散的理论，物质的传递过程分两步走。

第一步，每个项目将自己的资源通过二部图的边均匀地分配给选择过该项目的每个用户，这样资源就从项目节点传递到了用户节点。

第二步，每个用户再将自己分配到的资源通过二部图的边平均分配给他选择过的项目，这样资源又传回到了项目节点。

虽然资源的总量在传递过程中是守恒的，但通过两次传递，每个项目所具有资源的分配状态发生了改变。

系统最后可以根据项目所拥有的资源的分布状态来计算它们之间的相似度，并确定最近邻集。

（引入具体的公式，并将改进的论文附上）文献[2]将物质扩散理论运用到了Item-based协同过滤推荐算法。

算法将选选项目的资源初始值都设为1，用稳定状态时两个项目的资源传递总量来表示它们之间的相似程度，最后利用这个相似度来计算目标用户的预测评分，并把评分较高的项目推荐给他。

个性化推荐系统的文献综述个性化推荐系统在电子商务网站中的应用研究一、引言随着Internet的普及，信息爆炸时代接踵而至，海量的信息同时呈现，使用户难以从中发现自己感兴趣的部分，甚至也使得大量几乎无人问津的信息称为网络总的“暗信息”无法被一般用户获取。

同样，随着电子商务迅猛发展，网站在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。

个性化推荐，被认为是当前解决信息超载问题最有效的工具之一．推荐问题从根本上说就是从用户的角度出发，代替用户去评估其从未看过的产品，使用户不只是被动的网页浏览者，而成为主动参与者。

准确、高效的推荐系统可以挖掘用户的偏好和需求，从而成为发现用户潜在的消费倾向，为其提供个性化服务。

在日趋激烈的竞争环境下，个性化推荐系统已经不仅仅是一种商业营销手断，更重要的是可以增进用户的黏着性。

对文献的综述包括个性化推荐系统的概述、常用的个性化推荐系统算法分析以及个性化推荐系统能够为电子商务网站带来的价值。

二、个性化推荐系统概述个性化推荐系统是指根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。

它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求，推荐基于：网站最热卖商品、客户所处城市、客户过去的购买行为和购买记录，推测客户将来可能的购买行为。

1995年3月，卡内基?梅隆大学的Robert Armstrong等人在美国人工智能协会首次提出了个性化导航系统Web-Watcher，斯坦福大学的Marko Balabanovic等人在同一次会议上推出了个性化推荐系统LIRA。

同年8月，麻省理工学院的Henry Liberman在国际人工智能联合大会上提出了个性化导航智能体Letizia。

题目：基于互联网搜索数据的个性化推荐系统在现代的数字化社会中，信息的产生和传播速度已经达到了前所未有的程度。

每天，全球互联网用户都会产生大量的搜索数据，这些数据包含着丰富的信息，如果我们能够有效地利用这些数据，就能为个性化推荐系统提供大量的信息源。

个性化推荐系统利用人工智能技术，根据用户的搜索历史、浏览历史、购买历史等信息，为用户推荐符合其兴趣和需求的产品或服务。

本文将介绍一种基于互联网搜索数据的个性化推荐系统。

首先，我们需要收集和分析用户的互联网搜索数据。

这可以通过各种方式实现，例如使用爬虫程序自动抓取用户的搜索历史、浏览历史、购买历史等数据，或者通过与搜索引擎合作，获取用户的搜索数据。

这些数据可以用于构建用户画像，即一个描述用户兴趣、需求、行为等信息的模型。

接下来，我们需要利用机器学习和人工智能技术对用户画像进行分析和处理。

例如，我们可以使用协同过滤算法，根据用户的历史行为和搜索数据，预测用户的兴趣和需求，从而为用户推荐符合其需求的产品或服务。

个性化推荐系统不仅可以帮助用户找到他们需要的信息和产品，还可以为商家提供有价值的商业信息。

例如，商家可以根据用户的搜索数据，了解他们的市场需求和趋势，从而调整和优化他们的产品和服务。

然而，个性化推荐系统也存在一些挑战和问题。

首先，用户的隐私保护是一个重要的问题。

用户的搜索数据可能包含大量的个人信息，如果被不法分子获取，可能会对用户造成损失。

其次，个性化推荐系统可能会“误导”用户，推荐一些他们并不需要的产品和服务。

最后，由于用户的搜索数据可能包含一些错误或者过时的信息，个性化推荐系统可能需要不断进行优化和更新，以保持其准确性。

总结来说，基于互联网搜索数据的个性化推荐系统是一种具有潜力的新兴技术。

它可以为用户提供个性化的产品和服务推荐，帮助他们更好地发现和使用所需信息。

同时，它也可以为商家提供有价值的信息，帮助他们更好地了解和满足市场需求。

虽然个性化推荐系统还面临一些挑战和问题，如用户隐私保护、误导用户等问题，但是随着人工智能技术的不断发展和优化，我们有理由相信个性化推荐系统将会在未来的数字社会中发挥越来越重要的作用。

个性化推荐系统在电子商务网站中的应用研究一、引言随着Internet的普及，信息爆炸时代接踵而至，海量的信息同时呈现，使用户难以从中发现自己感兴趣的部分，甚至也使得大量几乎无人问津的信息称为网络总的“暗信息”无法被一般用户获取。

同样，随着电子商务迅猛发展，网站在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。

个性化推荐，被认为是当前解决信息超载问题最有效的工具之一．推荐问题从根本上说就是从用户的角度出发，代替用户去评估其从未看过的产品，使用户不只是被动的网页浏览者，而成为主动参与者。

准确、高效的推荐系统可以挖掘用户的偏好和需求，从而成为发现用户潜在的消费倾向，为其提供个性化服务。

在日趋激烈的竞争环境下，个性化推荐系统已经不仅仅是一种商业营销手断，更重要的是可以增进用户的黏着性。

本文对文献的综述包括个性化推荐系统的概述、常用的个性化推荐系统算法分析以及个性化推荐系统能够为电子商务网站带来的价值。

二、个性化推荐系统概述个性化推荐系统是指根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。

它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求，推荐基于：网站最热卖商品、客户所处城市、客户过去的购买行为和购买记录，推测客户将来可能的购买行为。

1995年3月，卡内基 梅隆大学的Robert Armstrong等人在美国人工智能协会首次提出了个性化导航系统Web-Watcher，斯坦福大学的Marko Balabanovic 等人在同一次会议上推出了个性化推荐系统LIRA。

同年8月，麻省理工学院的Henry Liberman在国际人工智能联合大会（IJCAI）上提出了个性化导航智能体Letizia。

二分图个性化推荐算法的改进及应用的开题报告一、研究背景和意义随着互联网技术的发展，个性化推荐在各种应用场景中得到了广泛的应用。

传统的个性化推荐算法主要是基于用户对物品的评价数据进行推荐。

然而，在一些特定场景中，用户的评价可能并不容易获取，此时如何进行个性化推荐就成为了一个难题。

二分图模型被广泛应用在推荐系统中，其中用户和物品分别构成一个二分图的两个部分，用户和物品之间存在边，表示用户对物品的偏好关系。

传统的二分图模型使用了基于相似度的方法进行推荐，即通过计算用户与物品之间的相似度来得到推荐结果。

然而，在一些特定场景中，如音乐推荐、电影推荐等领域中，这种方法往往效果不佳，因为用户与物品之间的相似度难以计算。

因此，本研究将探索基于二分图的个性化推荐算法的改进及应用。

通过研究二分图的结构特征和用户行为特征，提出一些新的推荐算法，使得推荐结果更加准确和个性化。

同时，将该算法应用于音乐推荐系统中，验证算法的效果和可行性。

二、研究内容和方法1. 研究基于二分图的个性化推荐算法的优缺点，分析现有算法的局限性和不足之处。

2. 分析二分图的结构特征和用户行为特征，探索新的推荐算法。

如通过引入社交网络信息，利用用户间的关系构建二分图，解决传统二分图推荐算法中的冷启动问题。

3. 针对音乐推荐领域中存在的较大的音乐库和稀疏的用户评价问题，提出基于二分图的音乐推荐算法与处理方法。

4. 通过实验证明新算法在准确度和个性化上的优势，并结合案例探讨算法的实际应用问题。

5. 结合实验结果和用户反馈优化算法，使其更加符合用户需求。

三、研究基础和条件本研究所需的基础知识包括机器学习、推荐系统、图论等。

需要运用Python等编程语言进行算法实现与实验。

研究所需的设备和软件条件：计算机、较大的音乐库。

四、预期结果通过本次研究，预期得到以下成果：1. 提出一种基于二分图的新型个性化推荐算法，并分析其在准确度和个性化上的优劣。

2. 将改进后的算法应用于音乐推荐系统中，验证其效果和可行性。

网络推荐系统中的个性化推荐研究随着互联网技术的不断发展和普及，人们在海量的信息中往往面临选择困难。

针对这一问题，网络推荐系统的兴起成为解决之道。

网络推荐系统通过分析用户的兴趣和行为，根据个性化的需求向用户推荐符合其兴趣和偏好的内容。

其中的核心技术之一就是个性化推荐。

本文将就网络推荐系统中的个性化推荐进行研究和探讨。

一、个性化推荐的基本原理个性化推荐的基本原理是通过收集和分析用户的行为数据（包括点击记录、浏览记录、评论记录等），建立用户兴趣模型，并根据该模型推荐适合用户的内容。

在该过程中，需要考虑以下因素：1. 数据收集和处理：个性化推荐的基础是收集和处理用户的行为数据。

这些数据可以从用户日常使用的网站、应用程序或其他平台中获取。

一般而言，应采取隐私保护措施，确保用户数据的安全和保密。

同时，对数据进行清洗和预处理，剔除异常数据和噪声，以提高推荐系统的准确性和效率。

2. 用户兴趣建模：根据用户的行为数据，可以使用不同的算法和模型对用户的兴趣进行建模。

常见的兴趣建模方法包括基于内容的推荐、协同过滤推荐和深度学习推荐等。

基于内容的推荐方法通过分析用户的兴趣标签和内容特征，将用户和内容进行匹配。

协同过滤推荐方法则是根据用户历史行为和与其他用户的相似度来推荐内容。

深度学习推荐方法则利用神经网络模型对用户行为和内容进行学习和预测。

3. 推荐算法和模型：个性化推荐系统采用了多种推荐算法和模型，以满足不同的需求和场景。

常见的推荐算法包括基于内容的推荐、协同过滤推荐、矩阵分解推荐、混合推荐等。

这些算法和模型可以结合使用，以获得更精准和有效的个性化推荐结果。

二、个性化推荐的应用场景个性化推荐系统已经广泛应用于各个领域，包括电子商务、社交媒体、新闻阅读、音乐和视频等。

以下将介绍几个典型的应用场景：1. 电子商务：个性化推荐在电子商务领域发挥着重要作用。

通过分析用户的购买历史、浏览记录、收藏和评论等行为数据，可以向用户推荐符合其兴趣和需求的产品。

基于关联规则的个性化推荐系统研究第一章：引言1.1 研究背景个性化推荐系统是信息检索领域的重要研究方向之一。

随着互联网的迅速发展，人们面临的信息爆炸问题日益严重，传统的信息搜索方式已经不能满足用户的需求。

个性化推荐系统通过分析用户的兴趣和行为，提供符合用户偏好的推荐内容，可以有效地解决信息过载问题，提高用户体验。

1.2 研究目的本文旨在研究基于关联规则的个性化推荐系统，探索其原理、方法和应用，以及在实际情况中的优化策略。

通过对个性化推荐系统的研究，可以为企业提供更准确、更有效的推荐服务，提高用户满意度和企业利润。

第二章：个性化推荐系统的基本原理2.1 推荐系统的分类根据推荐算法的不同，个性化推荐系统可以分为基于内容的推荐、协同过滤推荐、基于关联规则的推荐等几种类型。

其中，基于关联规则的个性化推荐系统通过挖掘用户行为的关联规则，推荐相关的物品给用户。

2.2 关联规则的定义关联规则是指在大规模数据集中频繁出现的物品之间的关系。

常见的关联规则有“如果A发生，那么B也会发生”和“如果A发生，那么B不会发生”等。

2.3 关联规则挖掘算法关联规则挖掘算法是基于数据挖掘的技术，主要包括Apriori算法、FP-growth 算法和ECLAT算法等。

这些算法通过扫描大规模数据集，发现频繁项集和关联规则。

第三章：基于关联规则的个性化推荐系统设计与实现3.1 系统框架基于关联规则的个性化推荐系统主要包括数据预处理、关联规则挖掘、推荐结果生成和推荐评估等模块。

数据预处理模块负责对原始数据进行清洗和格式化处理，关联规则挖掘模块使用关联规则挖掘算法从数据集中挖掘频繁项集和关联规则，推荐结果生成模块根据用户的兴趣和行为生成推荐结果，推荐评估模块用于评估推荐结果的准确性和效果。

3.2 数据预处理数据预处理是个性化推荐系统的重要环节，对原始数据进行清洗、格式化和特征提取等操作，以便后续的关联规则挖掘和推荐结果生成。

常见的数据预处理方法有去噪、去重、归一化和特征选择等。

基于数据分析的个性化互联网学习推荐系统的设计与实现随着互联网的快速发展，人们在学习方面的需求也越来越高。

然而，由于信息爆炸的时代，学习者往往会陷入信息过载的困境中，不知道如何选择适合自己的学习资源。

为了解决这个问题，个性化互联网学习推荐系统应运而生。

个性化互联网学习推荐系统是一种基于数据分析的智能化系统，通过分析学习者的个性化需求和学习行为，为其提供个性化的学习资源推荐。

它可以根据学习者的兴趣、能力、学习目标等因素，为其量身定制学习计划，并推荐适合其需求的学习资料、课程和学习社区等。

设计和实现一个高效的个性化互联网学习推荐系统需要考虑以下几个方面：1. 数据收集和处理：系统需要收集学习者的个人信息、学习行为数据等。

这些数据可以通过问卷调查、学习历史记录、学习行为跟踪等方式获取。

然后，通过数据清洗、数据预处理等技术，对数据进行整理和归类，以便后续的数据分析和推荐算法使用。

2. 用户画像构建：通过对学习者的个人信息和学习行为数据的分析，可以建立学习者的用户画像。

用户画像是对学习者的兴趣、能力等方面进行描述和刻画的模型。

通过用户画像，系统可以更好地理解学习者的需求，并为其提供个性化的学习资源推荐。

3. 推荐算法选择和优化：个性化互联网学习推荐系统的核心是推荐算法。

常见的推荐算法包括基于内容的推荐算法、协同过滤算法、深度学习算法等。

根据系统的实际需求和数据情况，选择适合的推荐算法，并对算法进行优化和调整，以提高推荐的准确性和效果。

4. 交互设计和用户体验优化：一个好的个性化互联网学习推荐系统应该具有清晰的交互设计和良好的用户体验。

学习者应该能够轻松地使用系统，并根据自己的需求进行学习资源的搜索和选择。

同时，系统也应该及时收集学习者的反馈信息，并根据反馈进行相应的调整和优化，以提高用户满意度。

为了更好地说明个性化互联网学习推荐系统的设计与实现，下面以一个具体的例子进行说明：假设小明是一名初中生，他对数学非常感兴趣，但在几何方面有些困惑。

科技与创新┃Science and Technology&Innovation ·92·2021年第20期文章编号：2095－6835（2021）20－0092－02基于二部图的推荐算法研究综述高迎，刘正（首都经济贸易大学，北京100070）摘要：随者互联网的不断发展，如何对网络上海量的信息数据进行分析，已经成为一个热点问题。

推荐系统能够在用户没有明确的需求时也能够为其进行商品与服务的个性化推荐，因此如何在大数据背景下准确预测用户偏好是值得研究的。

推荐系统中用户和项目二者之间的关系可以构成明显的二部图网络结构，研究表明，通过复杂网络结构和推荐算法的融合可以有效改善个性化推荐过程中存在的问题。

首先对推荐算法进行简单概述，总结了推荐算法与二部图推荐算法的发展历程，最后对相关领域未来的发展方向进行简述。

关键词：个性化推荐；协同过滤；网络结构；信息过载中图分类号：TP391.3文献标志码：A DOI：10.15913/ki.kjycx.2021.20.040当今时代是信息网络时代，因此不同行业产生的数据信息数量已经达到ZB级别，这为企业带来了很多挑战。

互联网用户数量以一种十分迅猛的趋势发展，对于各企业来说，庞大的信息数据量为其提出了难题，他们难以很快确定哪些信息与特定的用户是相关的，即产生了“信息过载”的问题。

各界学者逐渐开始研究个性化推荐这一先进的技术手段以改善这一问题，而其中协同过滤已被广泛应用在各种类型的企业中。

由于该算法仅通过用户评分信息预测用户偏好，推荐效果有待提高。

图是一种表达节点及其关系的基本结构，而二部图以直观的方式表达了用户及项目之间的关系，因此学者逐渐将复杂网络的方法与推荐算法进行结合。

随者相关领域研究的不断发展，对于网络结构与推荐算法的研究仍存在许多挑战需要探索。

因此，本文对相关领域的理论、研究现状和关键技术进行总结与分析，希望能帮助其他学者了解该领域的研究进展与发展方向。

基于加权二部图的个性化推荐算法张新猛;蒋盛益【期刊名称】《计算机应用》【年(卷),期】2012(32)3【摘要】针对网络推断(NBI)算法的二部图实现算法忽略二部图权重而导致实际评分值高的项目没有得到优先推荐这一问题,提出加权网络推断(WNBI)算法的加权二部图实现算法.该算法以项目的评分作为二部图中用户与项目的边权,按照用户-项目间边权占该节点权重和的比例分配资源,从而实现评分值高的项目得到优先推荐.通过在数据集MovieLens上的实验表明,相比NBI算法,WNBI算法命中高评分值项目数目增多,同时在推荐列表长度小于20的情况下,命中项目的数量和命中高评分项目数量均有明显增加.%In Network-Based Inference (NBI) algorithm, the weight of edge between user and item is ignored; therefore, the items with high rating have not got the priority to be recommended. In order to solve the problem, a Weigted Network-Based Inference (WNBI) algorithm was proposed. The edge between user and item was weighted with item's rating by proposed algorithm, the resources were allocated according to the ratio of the edge's weight to total edges' weight of the node, so that high rating items could be recommended with priority. The experimental results on data set MovieLens demonstrate that the number of hit high rating items by WNBI increases obviously in contrast with NBI, especially when the length of recommendation list is shorter than 20, the numbers of hit items and hit high rating items both increase.【总页数】5页(P654-657,678)【作者】张新猛;蒋盛益【作者单位】广东外语外贸大学思科信息学院,广州510006;广东外语外贸大学思科信息学院,广州510006【正文语种】中文【中图分类】TP181;TP301.6【相关文献】1.基于增加相似度系数的加权二部图推荐算法 [J], 李镇东;罗琦;施力力2.基于随机森林修正的加权二部图推荐算法 [J], 李玲;李晋宏3.基于改进加权二部图和用户信任度的协同过滤推荐算法 [J], 邓小燕;张晓彬4.基于加权二部图的个性化方案推荐 [J], 杨珍;耿秀丽5.基于加权二部图的Slope One推荐算法 [J], 王冉;徐怡;胡善忠;何明慧因版权原因，仅展示原文概要，查看原文内容请购买。

基于“读者-图书”二部图的个性化图书推荐方法何绯娟;缪相林;许大炜;毕鹏【期刊名称】《计算机技术与发展》【年(卷),期】2015(000)005【摘要】Personalized book recommendations have become a hot area in library science. Current recommending methods,however,are facing the difficulty to automatically acquire reader interests and book topics,and the “cold start” problem. A novel personalized book recommending method based on “Reader-Book” bipartite graph derived from the book lending behavior is proposed. First,the semantic similarities among books are calculated utilizing the book titles. Second,readers are divided into different groups with the use of clustering analysis based on the similarityof reader interests. Every group is assigned a selected book set.Finally,each reader is recommended a preferable book list based on the matching degree between reader and book. Experimental results showthat this method can recommend personalized books to a reader without knowing reader interests and book topics,and alleviate the “cold start” problem.%个性化图书推荐已成为图书馆领域关注的热点问题，但面临着读者兴趣、图书内容难以获取以及“冷启动”等一系列挑战。