基于“用户画像”挖掘的图书推荐App设计

李大伟，杜洪波，周孝林，岳 赛，齐 飞

（沈阳工业大学 理学院，辽宁 沈阳 110870）

0 引言

随着移动互联网的发展，手机App呈现出爆炸式增长[1]，逐渐改变着人们的生活习惯，App阅读逐渐代替传统的纸质读物，导致网民通过手机看书的比例逐年上升。与此同时产生网名盲目阅读书籍，阅读消极书籍等问题。鉴于现存问题，形成一个新的服务——图书推荐[2]。通过用户平时的阅读习惯进行数据挖掘，为用户推荐合适有价值的书籍，号召全民读书。

1 图书推荐App的总体设计

（1）馆藏资源：功能包含书目检索、热门排行、分类浏览、新书通报、图书推荐。图书推荐功能是通过分析用户历史数据将用户感兴趣或者有价值的书籍推荐给用户。

（2）个人中心：构建读者个人中心模块，具体功能包含用户信息、阅读管理（包括阅读历史）、个性书单、我的书评、我的通知。个性书单模块是根据某些书共同的特性将自己喜爱的书籍进行分类，同时可以向其他用户分享优质的书单。“我的书评”模块可以将用户读后感进行上传，与其他人进行共享。

（3）互动平台：包括好友推荐，群组讨论、参与论坛、查看他人书评、与管理员进行沟通等。好友推荐是通过运用“用户画像”技术，分析用户，为用户推荐有相同爱好的好友，使得好友之间交流读书心得，提高用户阅读兴趣。

2 “用户画像”算法实现

“用户画像”是基于推荐算法实现的。在掌握用户的信息和行为后，主动为用户推荐相关的信息。推荐算法的基本原理：（1）输入基本数据，包括用户信息（性别，年龄等）、用户对书籍的评价、书籍的信息等；（2）通过数据源与推荐算法结合为用户推荐相关书籍。推荐算法不同的数据源所用的算法不同，本文使用协同过滤推荐算法实现图书推荐。

协同过滤推荐[3]（Collaborative Filtering recommendation，简称CF），通过分析用户兴趣，在数据中寻找与该用户兴趣相似的用户，综合每个用户对该物品的评价，形成该物品的“得分”既用户对该物品的喜欢程度。基本步骤：（1）根据用户的基本资料了解用户的喜好；（2）构造用户之间的相识度；（3）为用户进行推荐[3-4]。

相似度计算[7]：

（1）欧几里得相似性

（2）皮尔逊相似性

取值在[-1,1]之间

（3）Cosine相似度

协同过滤推荐分为基于用户和基于物品[4]的，本文考虑到用户的数量远远小于书籍的数量，于是使用基于用户的协同过滤推荐算法描述：（1）计算相似度：将用户对所有书籍的喜欢程度作为一个向量来计算用户之间的相似度；（2）预测用户可能喜欢的书籍：找到K邻居后，根据邻居相似度权重和他们对书籍的偏好进行预测；（3）根据权重对书籍列表进行排序，进行推荐，如图1所示。

图1 协同过滤推荐算法Fig.1 Collab orative filtering recommendation algorithm

3 UI设计

基于“用户画像”挖掘的图书推荐 App[8]不仅在算法上进行研究，同时对界面进行详细设计，设计出善于操作的界面，下面就部分界面进行介绍。

图书推荐：通过“用户画像”算法进行后台分析，推荐符合读者的书籍。通过使用 ImageButton控件将推荐书籍的封面进行展示。将所有的 image-Button,统一放入 ScrollView中实现滑动。点击imageButton弹出对应图书的介绍，如图2所示。

互动平台：如图3所示，展示用户对书的感受，上端是用ImageView控件制作的动态切换页面，实时进行新闻动态更新。中间是用itemlist控件将用户发布的题目，时间，作者名，浏览量等信息显式出来。最下端使用了 tabhost来选择不同的板块,包括互动平台，图书推荐，如图4所示。个人中心：如图5所示，用listView控件显式个人可操作的功能，点击查看各种信息。包括个性书单，如图6所示，我的书评，如图7所示，荐购历史，如图8所示等。

图2 图书推荐Fig.2 Book recommended

图3 互动平台Fig.3 I nteractive platform

图4 图书推荐Fig.4 Lib rary resource

图5 个人中心Fig.5 Personal center

图6 个性书单Fig.6 Personality book

图7 我的书评Fig.7 Individual review

4 结论

21世纪正处于信息化时代，互联网+给人类带来的便利有目共睹。十八大之后“提倡全名阅读”的口号多次被国务院提出，全名阅读已被列为国家战略[5]。本文通过协同过滤推荐算法，对用户的行为信息进行分析，为用户个性化推荐书籍，有效地满足用户个性荐购需要和提高全民读书[6]，实现互联网+[11]文化。

[1] 叶刚峰. 基于APP数据的标签提取与整合[D]. 浙江大学,2017.

[2] 田丹. 我国移动图书馆APP应用现状分析[J]. 国家图书馆学刊, 2015, 24(5): 74-80.

[3] IT独白者. 基于用户的协同过滤算法和基于物品的协同过滤算法之java实现[EB/OL]. http://blog.csdn.net/sun_wangdong/article/details/54728909. 2017-01-25

[4] Flying_sfeng. 基于物品的协同过滤算法itemCF原理及python代码实现[EB/OL]. https://blog.csdn.net/Flying_sfeng/article/details/56280872. 2017-02-21

[5] 常馨月. 公共移动图书馆个性化荐读服务模型构建[D].吉林大学, 2017.

[6] 唐小新, 李高虎, 唐秋鸿, 曹红兵, 高嵩. 高校图书馆个性化电子图书荐购系统的设计和实现[J]. 现代图书情报技术, 2012(3): 83-88.

[7] 荣辉桂, 火生旭, 胡春华, 莫进侠. 基于用户相似度的协同过滤推荐算法[J]. 通信学报, 2014, 35(2): 16-24.

[8] 胡媛, 毛宁. 基于用户画像的数字图书馆知识社区用户模型构建[J]. 图书馆理论与实践, 2017(4): 82-85+97.

[9] 陈慧香, 邵波. 国外图书馆领域用户画像的研究现状及启示[J]. 图书馆学研究, 2017(20): 16-20.

[10] 张兴旺, 李晨晖. “互联网+图书馆”顶层设计相关问题研究[J]. 图书与情报, 2015(5): 33-40.

[11] 刘芳. “互联网+公共图书馆”: 服务创新与转型发展[J].图书馆杂志, 2016, 35(8): 42-48.