情境感知的移动阅读个性化信息推荐

在数字图书馆中，基于情境感知的移动阅读个性化推荐不仅要考虑读者和项目两个维度，还需要考虑情境因素，根据读者在不同情境属性下对项目的评分信息，利用相同情境下读者之间的相似性对其进行资源的推荐，实现基于情境感知的移动阅读个性化推荐。因此，基于读者的情境感知的移动阅读个性化推荐模型流程:分析系统日志中相同情境下其他读者对项目的评分信息，根据其相同情境下评分信息的相似性来预测目标读者对被推荐资源的评分，结合传统的协同过滤技术，为目标读者推荐个性化的信息资源。

(1)情境感知的移动阅读个性化推荐模型(图7-6)

图7-6　基于情境感知的个性化阅读推荐模型

读者登录移动阅读平台之后，系统获取读者的日志记录，通过分析读者的日志记录，抽取读者在不同的情境环境下偏好的资源类型及其评分，计算所有情境属性的情境条件熵以及此情境属性对于所推荐的资源的影响值，即各情境因素所占的权重值。然后根据其他读者在相同情境下对资源的评分，计算基于用户的协同过滤的相似度，找到与目标读者相似的邻居读者，向目标读者推送信息资源列表，产生推荐。其中，将系统推送给读者的信息资源以及获取的日志记录录入信息库，为以后系统抽取读者的记录提供便利。

(2)基于情境感知的协同过滤推荐

将传统协同过滤推荐算法考虑的用户、项目两个维度拓展为用户、项目以及情境三个维度[23]，使融合情境感知的协同过滤推荐算法能够适应移动环境，为用户提供更可靠的推荐结果。基于用户进行协同过滤相似度的计算找到目标读者的最近邻居，对其进行预测评分，结合情境条件熵，计算出情境权重，得到最终推荐。

①当前情境下读者相似度计算。

在协同过滤的相似性计算中，根据相似用户与目标用户对资源的共同评分，得到评分矩阵，通过用户对资源的评分集合找到与当前用户兴趣相似的邻居用户，从而向当前用户推荐资源。寻找近邻的方法就是用户相似度的计算，度量用户间相似性的方法主要包括三种方法:余弦相似性、皮尔逊相关系数以及修正的余弦相似性[24]。常用的相似度度量标准是皮尔逊相关系数。

在移动阅读环境下，基于情境感知的协同过滤相似度计算过程:目标读者是a，设读者a和b在相同情境环境下共同评价过的项目集合为Iab，用皮尔逊相关系数来测量特定情境下读者a和b之间的相似度，则读者a和b之间的相似度为:

其中，Iab表示读者a和b在相同情境环境下共同评价过的项目集合，对于每一个资源i，读者a和b在情境c下进行评分，Ra，i，c表示读者a在情境c下对资源i的评分，Rb，i，c表示读者b在情境c下对资源i的评分。Ra，c和Rb，c分别表示读者a和读者b在相同情境c下共同评过分的资源的平均值。

②预测评分。

在给出了读者与读者之间的相似度之后，根据上述公式求出在情境c下读者a与任意读者b之间的相似度，之后选择目标读者a的最近邻居集合，即将其他读者与目标读者之间的相似度进行降序排序，取相似度最高的前N个作为目标读者的最近邻居N，根据这些最近邻居，预测读者a对项目i的评分，公式如下:

(www.xing528.com)

Pa，i，c表示系统预测在该情境c环境下读者a对于项目i的评分，sim(a，b)表示在c情境下读者a和b之间的相似度，Ra，c和Rb，c分别表示读者a和读者b在相同情境环境c下共同评过分的资源的平均值，N为相似读者的集合。

③情境权重的推荐结果。

根据公式(7-15)已经计算出的各情境因素的权重，结合上述提出的基于情境感知的协同过滤基本算法计算出在c情境下目标读者a对项目i的预测评分，则实现了基于情境感知的个性化推荐，具体公式如下所示:

其中，Pa，i，c表示系统对于读者a所预测的项目i的评分。Wc为情境权重，读者在不同的情境属性下选择资源时，每个情境属性所占的权重是不相同的，Wc用于对每一个情境属性赋予一定的权重值，代表情境属性对系统向读者所推荐资源的影响作用。Ra，i，c表示目标读者a在不同的情境属性下对项目i的加权评分，即系统的最终预测评分。加权后的预测评分更能够反映出系统预测评分的准确性。情境属性的权重越大，此情境下读者对于项目的预测评分综合值就应该越大，情境属性的权重越小，此情境下读者对于项目的预测评分综合值就应该越小，这样的加权结果可以反映出读者在某种情境因素下更偏好于哪种资源。最后得到的综合预测结果才会更准确。

④算法流程描述。

输入:“读者，项目，情境，评分”模型，目标读者a，当前情境c，待推荐的项目集合I。

输出:读者a在当前情境c下对I中最偏好的K个项目。

第一步，以项目集I的分类以及情境c，根据公式(7-14)分别计算每个情境属性c对于读者选择资源与否的条件熵值H(I｜c)。

第二步，利用条件熵值H(I｜c)再根据公式(7-15)计算情境属性c下读者在选择项目类型的权重值Wc。

第三步，返回继续计算公式(7-15)中各情境属性的权重值。

第四步，在情境属性c下，计算目标读者a与其他读者b的皮尔逊相似度sim(a，b)，取情境属性c下与a读者相似度最高的N个读者即Top-N，继而利用公式(7-17)计算在情境属性c下评分最高的前K个项目及评分。

第五步，返回公式(7-17)循环计算不同的情境属性下a评分最高的项目。

第六步，将公式(7-16)得到的不同情境属性下的权重与公式(7-17)得到的前K个项目的评分按照公式(7-18)进行加权将最终得到的综合评分最高的项目列表推荐给读者a。