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。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社