基于Python的图书推荐系统设计与开发文献综述
2020-04-15 15:17:46
随着电子商务的迅速发展,人们越来越习惯在网上挑选自己喜欢或需要的书籍。然而在大数据时代,海量数字资源的爆炸增长已经成为不可逆转的趋势。面对如此海量的数据,用户在检索所需信息时势必会浪费大量精力与时间。针对网络信息纷繁复杂的问题,推荐系统应运而生,利用网络上目标个体的特征或者网络历史日志等数据,通过合适的推荐算法进而为目标个体提供更加个性化、专业化、高效的信息服务。对于电商平台来说,一个优秀的推荐系统能够很大程度上节省用户的搜索时间,提升用户体验,并能为用户提供一些其感兴趣的内容,从而提高用户的使用率和消费率。
国内外研究现状:
国外研究现状:目前大部分图书推荐方法研究都是基于图书馆的,可以说对图书馆借阅的推荐系统的研究与电子商务中的推荐系统是一脉相承的。国外在这方面的研究开始得比较早,自上世纪末期就已经开始,图书馆信息化的管理系统质量比较高,在此基础上建立的推荐系统已经大规模投入使用。典型的图书馆推荐系统有Libra系统、TechLens系统、BibTip系统等[1]。
经过十几年的发展,常用的推荐算法大致可分为基于协同过滤的算法、基于中图分类法的算法和基于主题模型的算法[6]。
从电商平台的角度,国外的亚马逊正是从网上书店起家,其在推荐系统的开发上可以说做得很不错了。亚马逊的推荐系统通过为用户推荐可能感兴趣的商品, 提高了35%的销售额[8]。1998年,亚马逊上线了基于物品的协同过滤算法(简称ItemCF算法),将推荐系统推向服务百万级用户和处理百万级商品这样一个前所未见的规模。2003年后该算法在互联网上开始广泛流传,包括YouTube,Netflix和其他很多公司在内都在使用[11,12]。
国内研究现状:国内的数字图书馆相关的研究起步较晚,且发展缓慢[1],相反在电子商务方面的发展却十分迅速。