摘 要：针对传统的协同过滤推荐算法在高校图书推荐场景中存在缺乏显性评分、推荐精度低等问题，提出一种融合时间上下文的改进协同过滤图书推荐模型。基于图书历史借阅记录，首先构建基于借阅时长的读者—图书偏好度模型，将读者历史借阅记录中隐含的借阅偏好信息转换成显性的读者—图书评分;然后考虑读者借阅偏好随时间动态变化因素，引入时间衰减因子对读者—图书评分模型进行修正，最后应用隐语义模型进行个性化图书推荐。

关键词：时间上下文;协同过滤;图书推荐

随着高校图书馆藏图书资源的日益增长，面对海量馆藏图书，读者常常陷入图书信息过载难题[1]。现有的高校图书借阅系统中仅提供基于信息检索的服务，缺乏个性化图书推荐模块，但同时系统中累积的大量借阅记录隐含着读者的借阅偏好，具备了个性化图书推荐的数据基础。因此，如何利用好这些借阅记录，挖掘读者借阅偏好并进行个性化图书推荐，是当下图书推荐亟待解决的问题。高校图书馆中图书数量远大于读者数量，基于图书内容的推荐算法不适用[2]。在高校图书推荐场景中，现有的研究主要是在用户协同过滤推荐算法[3]上加以改进，该类算法仅基于目标读者的近邻相似读者进行推荐，且在读者借阅记录稀疏的情况下推荐精度较低。同时该方法默认读者偏好不会随时间推移而变化，而实际上读者在不同时间段的借阅偏好是动态变化的。……