摘要：[目的/意义]基于强化学习的图书内容推荐方法可解决传统推荐系统注重推荐列表的准确率,忽略图书推荐的多样性,且无法解决数据信息缺失的问题。[方法/过程]采用强化学习框架对图书推荐过程进行马尔可夫决策过程建模,实现基于用户不同状态的推荐动作;采用因子分解机和强化Q-Learning作为值函数的近似计算,通过值函数选择最优候选图书;引入随机策略作为最后的推荐结果,提高了图书推荐的多样性。[结果/结论]强化学习算法在图书推荐过程中考虑了用户的动态兴趣,有助于提升推荐结果的多样性。当推荐数量为高于40时,强化学习算法能实现推荐准确率、多样性和覆盖率的平衡,与传统方法在数量为10时最优相比,图书推荐内容的多样性得到大大提高。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社