顏培皓

摘要：當(dāng)前高校內(nèi)個(gè)人所有的紙質(zhì)圖書因無法得到及時(shí)流通而導(dǎo)致相應(yīng)資源的閑置甚至浪費(fèi)的問題日趨嚴(yán)重。在分析高校個(gè)人圖書資源共享現(xiàn)狀基礎(chǔ)上，融合“互聯(lián)網(wǎng)+”環(huán)境下的共享經(jīng)濟(jì)理念，首先設(shè)計(jì)了一種高校圖書共享需求及其運(yùn)用模式，其次運(yùn)用非負(fù)矩陣分解算法實(shí)現(xiàn)了一種動(dòng)態(tài)圖書資源推薦方法，以解決圖書資源檢索和快速定位目標(biāo)對(duì)象需求的問題，最后，運(yùn)用Spring、Struts和Hibernate等技術(shù)實(shí)現(xiàn)了圖書共享系統(tǒng)。實(shí)驗(yàn)結(jié)果表示，所實(shí)現(xiàn)的系統(tǒng)針對(duì)不同用戶的個(gè)性化需求，能夠快速預(yù)測(cè)其最有可能希望使用的書籍資源，以提高圖書資源的利用率和受益群體。

關(guān)鍵詞：共享圖書；非負(fù)矩陣分解；推薦算法；資源調(diào)度；個(gè)性化需求

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）12-0287-04

Research and Application of Book Sharing System Based on Non-negative Matrix Factorization

YAN Pei-hao

（College of Computer & Communication Engineering， China University of Petroleum（East China）， Qingdao 266580， China）

Abstract： At present， the problem of idle or even wasted resources of individual paper books in the university due to the inability to get timely circulation has become increasingly serious. Based on the analysis of the status quo of individual book resource sharing in colleges and universities， and integrating the concept of sharing economy under the "Internet +" environment，it firstly designs a university book sharing demand and its application mode， and secondly uses a non-negative matrix factorization algorithm to implement a dynamic book resource recommendation method， which is used to solve the problem of library resource retrieval and rapid target object selection. Finally， it implements a book sharing system using technologies such as Spring， Struts， and Hibernate. The experimental results show that the implemented system can quickly predict the book resources that it is most likely to use for the individualized needs of different users， so as to improve the utilization and beneficiary groups of book resources.

Key words： sharing books； non-negative matrix factorization； recommended algorithm； scheduling of resources； individualized demands

1 背景

圖書的存在價(jià)值在于閱讀，其也是高校師生提高自身素質(zhì)和交流的重要窗口。而高校中，大部分學(xué)生閱讀完圖書之后就不會(huì)再看，畢業(yè)時(shí)當(dāng)成了廢紙賣掉或者扔掉。這導(dǎo)致圖書無法及時(shí)流通，從而造成圖書資源浪費(fèi)[1]?！盎ヂ?lián)網(wǎng)+”下共享經(jīng)濟(jì)通過第三方網(wǎng)絡(luò)平臺(tái)整合閑置資源，打通供需渠道，能夠有效解決供需雙方信息流通的不對(duì)稱問題，為使圖書價(jià)值達(dá)到最大化提供了一種新的契機(jī)[2]。

目前，已有很多研究致力于圖書共享方面的工作[3]，大多是對(duì)海量數(shù)據(jù)資源進(jìn)行簡(jiǎn)單檢索和結(jié)果堆放，仍存在無法滿足個(gè)性化需求的問題[4]。為了使用者在眾多的圖書資源中快速尋找到自己真正需要的資源，通過讀者的行為獲取讀者的興趣愛好[5]?；诹餍卸鹊乃惴╗6]根據(jù)PV（頁面訪問量）、UV（獨(dú)立訪客量）、分享等數(shù)據(jù)生成一種推薦度進(jìn)行排序，再按照推薦度的高低向指定用戶進(jìn)行推薦。該算法的優(yōu)勢(shì)在于簡(jiǎn)單適用于初次使用系統(tǒng)的新用戶，但針對(duì)用戶的個(gè)性化需求無法滿足。

基于內(nèi)容的算法（Content-Based Recommendations CBR）[7]是獲取用戶喜歡的物品后，分析該物品的特征從而獲取與該物品特征相似山外物品推薦給用戶。算法有效地解決了針對(duì)用戶個(gè)性化推薦的問題，對(duì)于新加入物品的推薦概率大大提升。但無法實(shí)現(xiàn)對(duì)新用戶的推薦而且對(duì)物品特征的提取比較困難。

協(xié)同過濾算法（Collaborative Filtering CF）是[8]在推薦算法中應(yīng)用相對(duì)廣泛且相對(duì)推薦效果較好的，基于用戶的CF通過分析各個(gè)用戶對(duì)物品的評(píng)價(jià)計(jì)算用戶的相似度從而推送相似用戶的喜好物品?；谖锲返腃F 與其原理類似，只是將關(guān)聯(lián)關(guān)系改變成物品與物品之間。這兩種算法的主要思想比較容易理解，推薦的準(zhǔn)確性也比較高。但仍存在一些問題：依賴用戶對(duì)物品的確切的評(píng)分會(huì)導(dǎo)致評(píng)分高的物品被推薦幾率過高，小眾用戶或小眾物品可能在很長的時(shí)間段里不會(huì)被推薦，以及計(jì)算相似性矩陣的稀疏性問題和系統(tǒng)的冷啟動(dòng)問題。在此基礎(chǔ)上，鄧愛林[9]等人提出了一種基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過濾算法，根據(jù)項(xiàng)目間的相似性預(yù)測(cè)用戶對(duì)尚未評(píng)分項(xiàng)目的評(píng)分，以提高推薦的質(zhì)量。李林峰[10]等人提出了一種基于時(shí)序行為的協(xié)同過濾推薦算法，通過構(gòu)建基于時(shí)間序列的行為（只需用戶的行為時(shí)間，而不需要其他的信息），獲取相鄰近的產(chǎn)品或用戶的相互影響關(guān)系，從而預(yù)測(cè)用戶對(duì)物品的實(shí)際評(píng)分，提升推薦的精度。這兩種算法均從一定的角度解決了傳統(tǒng)協(xié)同過濾推薦算法的不足，但其本質(zhì)上仍是直接基于物品的推薦，在針對(duì)根據(jù)物品特征值進(jìn)行推薦上有所欠缺。

針對(duì)不同用戶的個(gè)性化需求，快速預(yù)測(cè)其最有可能希望使用的書籍資源，本文基于非負(fù)矩陣分解算法設(shè)計(jì)并實(shí)現(xiàn)了一款高校圖書共享系統(tǒng)，以期來提高圖書資源受益群體。

2 圖書共享及推薦系統(tǒng)的功能設(shè)計(jì)

2.1 高校圖書共享模式概述

以高校圖書館為例，高校圖書館可將預(yù)先為教師和學(xué)生分配的線下用戶借閱圖書的身份識(shí)別信息（如工號(hào)或?qū)W號(hào)）錄入本系統(tǒng)并為每位用戶預(yù)先分配一定的信用值，教師或?qū)W生登錄本系統(tǒng)后可發(fā)布閑置圖書以供共享，發(fā)布書籍時(shí)，為每本書籍提供用戶認(rèn)為最符合書籍內(nèi)容的幾個(gè)標(biāo)簽，同時(shí)設(shè)定所發(fā)布書籍的信用值和數(shù)量。用戶每共享一本書籍，可在自己的信用值基礎(chǔ)上增加信用值。當(dāng)用戶在平臺(tái)上借閱書籍時(shí)，可通過書籍搜索查詢相關(guān)書籍，若查詢不到，可發(fā)布需求，高校圖書館管理人員可根據(jù)用戶需求的統(tǒng)計(jì)信息有針對(duì)性的補(bǔ)充書籍，也可查看線下圖書館是否有相關(guān)紙質(zhì)書籍，可根據(jù)用戶留下的聯(lián)系方式聯(lián)系用戶。當(dāng)用戶查詢到所需借閱的書籍時(shí)，用戶提交申請(qǐng)后，系統(tǒng)首先判斷書籍?dāng)?shù)量是否足夠，數(shù)量不足時(shí)自動(dòng)推薦用戶感興趣的相關(guān)書籍，數(shù)量充足時(shí)判斷用戶信用值是否大于所借書籍信用值總和，用戶信用值充足時(shí)，系統(tǒng)設(shè)置時(shí)間自動(dòng)審批，同時(shí)也可由圖書館管理人員操作審核，審核通過后分配書籍給用戶，同時(shí)扣除用戶相應(yīng)信用值。用戶完成借閱后，可根據(jù)線上信息歸還書籍到指定地點(diǎn)，也可歸還至高校圖書館。

2.2 系統(tǒng)功能設(shè)計(jì)

依據(jù)所設(shè)計(jì)的高校圖書共享模式，本文所設(shè)計(jì)的高校圖書共享與推薦系統(tǒng)功能模塊如圖1所示。

2.2.1 前臺(tái)網(wǎng)頁模塊功能

2.2.1.1 用戶賬戶管理

由于共享經(jīng)濟(jì)目前最大的問題是用戶的信用問題，故本系統(tǒng)設(shè)定兩大用戶角色，學(xué)生用戶和教師用戶，且用戶必須為本校真實(shí)在校教師或?qū)W生且登錄時(shí)需用工號(hào)或?qū)W號(hào)。為了讓更多的用戶體驗(yàn)共享服務(wù)，也是為了更多的用戶可以主動(dòng)加入共享群體中，系統(tǒng)為每一個(gè)用戶分配一定信用值的初始值，以供初次使用本系統(tǒng)的用戶體驗(yàn)共享圖書服務(wù)。

2.2.1.2 我的信用

顯示當(dāng)前用戶的信用值，初始信用，用戶每共享一本書籍，信用值增加，申請(qǐng)借閱書籍時(shí)，根據(jù)書籍得總信用值，扣除用戶相應(yīng)的信用值。當(dāng)用戶信用分為0 時(shí)，無法享受借閱服務(wù)。當(dāng)用戶借閱書籍逾期超過 30 天時(shí)，列入黑名單，不再允許該用戶借閱書籍。

2.2.1.3 我的借閱

此功能用來查看用戶已經(jīng)申請(qǐng)借閱書籍訂單的信息，系統(tǒng)的審批狀態(tài)，針對(duì)系統(tǒng)已經(jīng)審批的訂單，用戶在完成借閱書籍后，可在此功能模塊中點(diǎn)擊還書。

2.2.1.4 發(fā)布圖書

任意一個(gè)注冊(cè)過的用戶在登錄后，可以點(diǎn)擊發(fā)布圖書功能發(fā)布共享圖書信息。包括選擇待發(fā)布書籍類別、填寫書籍名稱、書籍介紹（包括作者、出版社、書籍 ISBN）同時(shí)針對(duì)每本圖書設(shè)置五個(gè)標(biāo)簽作為后續(xù)為用戶推薦圖書的特征值。書籍的信用值和數(shù)量默認(rèn)設(shè)置為 1，用戶可根據(jù)自己發(fā)布的圖書的質(zhì)量和數(shù)量輸入新的信用值和數(shù)量，書籍的發(fā)布者默認(rèn)為當(dāng)前登錄用戶。

2.2.1.5 書籍搜索與推薦

隨著平臺(tái)的不斷推廣，書籍?dāng)?shù)量不斷增多，為了方便用戶在最短的時(shí)間內(nèi)找到自己需要的書籍，設(shè)置書籍搜索功能供輸入書籍全部或部分名稱來搜索目標(biāo)書籍。若已發(fā)布的共享圖書不存在用戶所需要的書籍，則系統(tǒng)將會(huì)根據(jù)非負(fù)矩陣分解自動(dòng)推薦出其他相關(guān)書籍，其具體實(shí)現(xiàn)將在第3部分闡述。

2.2.1.6 圖書展示

圖書展示主要用來展示目前平臺(tái)上所有被用戶共享的書籍，對(duì)展示出來的書籍用戶可以點(diǎn)擊查看對(duì)應(yīng)書籍的信息介紹包括書籍名稱、作者、出版社、ISBN 以及書籍的數(shù)量和書籍的信用值，同時(shí)用戶可以對(duì)書籍進(jìn)行評(píng)價(jià)和查看該書籍的評(píng)價(jià)。書籍的評(píng)價(jià)功能作為用戶了解書籍的內(nèi)容和書籍的質(zhì)量的參考，也可作為后續(xù)建立一個(gè)多維度的信用評(píng)價(jià)體系時(shí)的衡量標(biāo)準(zhǔn)。

2.2.1.7 發(fā)布需求

此功能針對(duì)用戶在平臺(tái)上找不到所需要的書籍時(shí)，點(diǎn)擊發(fā)布需求，填寫用戶的姓名、聯(lián)系方式、郵箱和需求書籍的名稱以及基本介紹內(nèi)容，同時(shí)記錄用戶發(fā)布需求的時(shí)間。

2.2.1.8 借書清單

保存當(dāng)前用戶以及申請(qǐng)但未完成借閱的書籍，滿足用戶一次可能借閱多本書的需求，同時(shí)用戶可以查看當(dāng)前已經(jīng)申請(qǐng)的書籍，并可以繼續(xù)添加或刪除。

2.2.2 后臺(tái)模塊功能

2.2.2.1 用戶管理

用戶管理包括對(duì)管理員自己的賬戶密碼的修改，以及對(duì)系統(tǒng)用戶信息查看和刪除。

2.2.2.2 需求信息管理

查看用戶發(fā)布的書籍需求信息，當(dāng)平臺(tái)上有該書籍時(shí)，可根據(jù)用戶留下的聯(lián)系方式告知用戶。

2.2.2.3 借閱信息管理

查看所有用戶申請(qǐng)借閱的訂單信息，包括借閱時(shí)間，受理狀態(tài)等信息，同時(shí)在系統(tǒng)未自動(dòng)審批時(shí)限內(nèi)，可輔助人工受理訂單。

2.2.2.4 書籍管理

此功能包括對(duì)圖書的基本信息的管理、圖書類別的管理。管理員也可以發(fā)布圖書，同時(shí)考慮到用戶可能對(duì)書籍分類不明確，增加書籍類別功能設(shè)置在管理員下。

3 基于非負(fù)矩陣分解的圖書推薦算法

3.1 非負(fù)矩陣分解算法概述

基于矩陣分解的推薦算法通常會(huì)有很高的預(yù)測(cè)精度、良好的可伸縮性和高度的靈活性[11]，可以將用戶和物品的特征轉(zhuǎn)換為隱語義的特征，然后通過計(jì)算用戶與物品之間隱語義的相關(guān)性進(jìn)行推薦。在圖書共享系統(tǒng)中，應(yīng)用非負(fù)矩陣分解的推薦算法，綜合考慮通過讀者之間的相似性、讀者與書籍之間信息的分析，同時(shí)考慮數(shù)據(jù)量大引起的時(shí)間空間復(fù)雜度高的問題，以優(yōu)化函數(shù)為目標(biāo)，在達(dá)到全局最優(yōu)的同時(shí)，提高預(yù)測(cè)的準(zhǔn)確度[12]。

基于共享圖書的非負(fù)矩陣分解推薦算法用于（在用戶申請(qǐng)書籍而書籍?dāng)?shù)量不足時(shí)，向用戶推薦與之申請(qǐng)書籍類型相同或相似的書籍）。結(jié)合基于少部分用戶對(duì)少部分物品的評(píng)分，我們希望預(yù)測(cè)出目標(biāo)用戶對(duì)其他未評(píng)分物品的評(píng)分，進(jìn)而將評(píng)分高的書籍推薦給目標(biāo)用戶。除了有評(píng)分信息外，數(shù)據(jù)集中還包含有用戶信息、書籍信息和對(duì)書籍評(píng)分的時(shí)間戳等信息。即便如此，數(shù)據(jù)依然非常稀疏，構(gòu)成的用戶-書籍的評(píng)分矩陣中，評(píng)分信息只占比較少的一部分[13]，因此矩陣中會(huì)存在很多的未知信息，我們需要比較準(zhǔn)確地了解和預(yù)測(cè)出用戶對(duì)相應(yīng)書籍的偏好情況。

3.2 算法描述

在上述算法思想的基礎(chǔ)上，通過部分用戶和部分書籍之間的評(píng)分?jǐn)?shù)據(jù)，其他部分的評(píng)分為空白的，用已有的部分稀疏數(shù)據(jù)矩陣來預(yù)測(cè)矩陣中空白位置書籍與用戶之間的評(píng)分關(guān)系，找到最高評(píng)分的書籍推薦給用戶。

基于共享圖書的非負(fù)矩陣推薦算法分兩個(gè)步驟執(zhí)行，利用非負(fù)矩陣分解的算法進(jìn)行預(yù)測(cè)打分值，尋找到該用戶可能會(huì)打分較高的書籍進(jìn)行書籍推薦。算法設(shè)計(jì)如下：

3.2.1 對(duì)未打分書籍進(jìn)行評(píng)分預(yù)測(cè)

將用戶對(duì)書籍打分的數(shù)據(jù)計(jì)入數(shù)據(jù)集，構(gòu)成用戶-書籍矩陣，在矩陣中，由用戶對(duì)每一本書籍的打分和未對(duì)書籍打分的情況構(gòu)成，如下表所示：

將用戶-書籍矩陣分解為兩個(gè)矩陣相乘的形式，上圖中矩陣[M]為[m]行[n]列的形式，即[m]個(gè)用戶與其對(duì)應(yīng)打分[n]本書籍的信息，分解為[m×k]的矩陣[P]和[k×n]的矩陣[Q]的乘積：

[Mm×n=PTm×kQk×n] （1）

其中[k]為潛在因子的數(shù)目，也就是書籍對(duì)應(yīng)表現(xiàn)出的特征，矩陣[P]可以表示為用戶-潛在因子矩陣，該矩陣的數(shù)值表示用戶對(duì)于不同因子元素的偏好，矩陣[Q]表示潛在因子-書籍矩陣，表示每本書籍所含有的因子元素的部分，通過上表中的非負(fù)矩陣分解得到潛在因子與不同用戶和不同書籍之間的關(guān)系矩陣。

采用線性回歸的思想將矩陣[M]進(jìn)行分解，為了讓用戶對(duì)書籍的評(píng)分和用矩陣乘積得到的書籍評(píng)分殘差盡可能小，采取均方差作為損失函數(shù)來尋找到最終的分解矩陣[P]和[Q]。對(duì)于其中某一個(gè)用戶對(duì)其中一本書的評(píng)分[mij]，用非負(fù)矩陣分解的算法得到對(duì)應(yīng)的[qTjPi] ，對(duì)應(yīng)的損失函數(shù)即均方差為 [（mij-qTjPi）2]的值應(yīng)盡可能小，累加所有用戶對(duì)所有書籍的評(píng)分?jǐn)?shù)據(jù)，期望將損失函數(shù)和最小化，同時(shí)為了防止過擬合，加入正則化項(xiàng)得到優(yōu)化目標(biāo)函數(shù)公式如下：

[argmin︸pi，qji，j（mij-qTjPi）2+λ（pi22+qj22）] （2）

通過梯度下降法進(jìn)行優(yōu)化計(jì)算，分別對(duì)[pi]和[qj]求導(dǎo)迭代得到極小值下所對(duì)應(yīng)的的[pi]和[qj]值，此時(shí)的迭代公式為：

[pi=pi+α（Eijqj-λpi）qj=qj+α（Eijpi-λqj）] （3）

其中，[Eij=Rij-d=1DUdiVdj] （4）

從而對(duì)于用戶對(duì)書籍的未知評(píng)分，通過[qTjPi]得到的預(yù)測(cè)值如表2所示

3.2.2 推薦書籍

矩陣分解模型把用戶偏好和書籍屬性投影到同一個(gè)隱因子空間，以用戶偏好和書籍屬性的匹配程度來預(yù)測(cè)評(píng)分得到上文所述的矩陣，對(duì)其中某一用戶的預(yù)測(cè)打分情況對(duì)分值進(jìn)行降序排序，將分值較高的書籍推薦給用戶，同時(shí)避開用戶已經(jīng)借閱過的書籍。

3.3 算法實(shí)現(xiàn)效果

基于非負(fù)矩陣分解的圖書推薦算法執(zhí)行情況如下表3、表4所示：

結(jié)果分析：通過非負(fù)矩陣算法得到的預(yù)測(cè)矩陣中各評(píng)分值可以知道，對(duì)用戶3的推薦中打分值最高的為書籍3，測(cè)試用例中，用戶3和用戶5有較強(qiáng)的相似性，而推薦書籍3正是用戶5所評(píng)分最高的書籍，通過特征值得到用戶三對(duì)特征1較感興趣而特征2興趣點(diǎn)差，與推薦書籍的潛在因子值基本相符。從而程序的執(zhí)行結(jié)果比較好得驗(yàn)證了算法的思想。

3.4 系統(tǒng)實(shí)現(xiàn)效果

本文結(jié)合運(yùn)用Spring、Struts和Hibernate等技術(shù)實(shí)現(xiàn)了圖書共享與推薦系統(tǒng)，并通過非負(fù)矩陣算法實(shí)現(xiàn)推薦系統(tǒng)界面如下圖3所示，在用戶對(duì)書籍進(jìn)行申請(qǐng)而書籍?dāng)?shù)量不足時(shí)，對(duì)不同用戶興趣點(diǎn)的不足進(jìn)行書籍推薦，實(shí)現(xiàn)了高校圖書共享系統(tǒng)的基本功能以及推薦系統(tǒng)的個(gè)性化書籍推薦場(chǎng)景。

圖2 共享圖書系統(tǒng)推薦書籍界面

4結(jié)束語

本文依據(jù)高校圖書館在各個(gè)方面對(duì)圖書、教材等的需求以及對(duì)閑置書籍處理的問題，結(jié)合共享經(jīng)濟(jì)的模式并應(yīng)用基于共享圖書的非負(fù)矩陣分解的圖書推薦算法，實(shí)現(xiàn)了對(duì)閑置圖書的再利用、對(duì)圖書的共享以及針對(duì)不同用戶提供個(gè)性化的圖書推薦服務(wù)。在研究一些常用推薦算法的基礎(chǔ)上，設(shè)計(jì)與實(shí)現(xiàn)了基于共享圖書的非負(fù)矩陣分解推薦算法。

參考文獻(xiàn)：

[1] 王飛龍. 交易成本與零售商業(yè)模式的變遷——以圖書流通行業(yè)為例[J]. 中國流通經(jīng)濟(jì)， 2018， 32（4）.

[2] 王家寶， 敦帥， 黃晴悅. 當(dāng)閑置資源遇見“互聯(lián)網(wǎng)+”--分享經(jīng)濟(jì)的風(fēng)靡之道[J]. 企業(yè)管理， 2016（6）： 55-57.

[3] 趙琰， 戴曉翔， 詹慶東. 互聯(lián)網(wǎng)思維下圖書共享模式研究[J]. 圖書情報(bào)工作， 2018， 62（3）： 33-38.

[4] 李民， 王穎純， 劉燕權(quán). “211工程”高校圖書館館藏資源推薦系統(tǒng)調(diào)查探析[J]. 圖書情報(bào)工作， 2016（9）： 55-60.

[5] 李克潮， 梁正友. 基于多特征的個(gè)性化圖書推薦算法[J]. 計(jì)算機(jī)工程， 2012， 38（11）： 34-37.

[6] 何佶星， 陳汶濱， 牟斌皓. 流行度劃分結(jié)合平均偏好權(quán)重的協(xié)同過濾個(gè)性化推薦算法[J]. 計(jì)算機(jī)科學(xué)， 2018， 45（s1）： 506-509.

[7] 呂學(xué)強(qiáng)， 王騰， 李雪偉， 等. 基于內(nèi)容和興趣漂移模型的電影推薦算法研究[J]. 計(jì)算機(jī)應(yīng)用研究， 2018， 35（3）： 717-720.

[8] 李偉霖， 王成良， 文俊浩. 基于評(píng)論與評(píng)分的協(xié)同過濾算法[J]. 計(jì)算機(jī)應(yīng)用研究， 2017， 34（2）： 361-364.

[9] 鄧愛林， 朱揚(yáng)勇， 施伯樂. 基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過濾推薦算法[J]. 軟件學(xué)報(bào)， 2003， 14（9）： 1621-1628.

[10] 李林峰， 劉真， 魏港明， 等. 基于共享知識(shí)模型的跨領(lǐng)域推薦算法[J]. 電子學(xué)報(bào)， 2018， 46（8）： 1947-1953.

[11] 栗茂林， 梁霖， 陳元明， 等. 基于聚類優(yōu)化的非負(fù)矩陣分解方法及其應(yīng)用[J]. 中國機(jī)械工程， 2018， 29（6）： 720-725.

[12] 劉慧婷， 陳艷， 肖慧慧. 基于用戶偏好的矩陣分解推薦算法[J]. 計(jì)算機(jī)應(yīng)用， 2015（S2）： 118-121.

[13] 聶常超. 一種基于矩陣分解的電影推薦算法[J]. 電子設(shè)計(jì)工程， 2016， 24（19）： 73-75.

【通聯(lián)編輯：謝媛媛】