刘莉

摘 要：本文研究在书籍推荐过程中，用户兴趣分布及特征向量的计算其与最近聚类中心的轨迹距离，并根据每个聚类中心计算属于该聚类的数据之和，对每个节点的累加数据和进行合并求和，判断 sum 和是否小于阈值，通过函数计算来完成更新聚类中心的操作，直到算法收敛或完成迭代从而输出聚类中心和聚类结果。通过实验证明了该研究算法的可行性和有效性。

关键词：书籍推荐;兴趣分布;特征向量;协同过滤

0 引言

随着信息化数字图书馆时代的来临，对于图书馆书籍的管理研究工作更加侧重于新技术应用和开发上。目前，世界上针对于书籍管理的研究内容主要集中在书籍推荐的效果中，利用书籍对比关系进行定义和定位，将更多地书籍相关信息内容融合到书籍本体中，造成了书籍推荐研究的复杂关系。因此，在图书馆的书籍管理中，如何获取书籍的相关信息进行分析并作出合理的评价及推荐成为书籍管理研究领域的一个难点。

书籍推荐被视为图书馆服务工作的重点，书籍推荐质量的好坏直接关系到图书馆服务质量。本文在书籍推荐系统中融入协同过滤算法来提升书籍推荐效果，建立的书籍推荐模型以书籍本体构架，在模型中引发触发机制进行信息搜集、处理和过滤，并据此向用户推荐书籍。本文研究重点在于用户偏好模型表征用户兴趣的准确度和对潜在兴趣的挖掘度直接决定了资源推荐的准度和广度等问题上，通过将本体感知因子形成的特征向量形成数据集，从而实现了并行算法结构处理过程。……