【技术实现步骤摘要】
本专利技术涉及推荐分析，尤其涉及一种基于人工智能的图书推荐系统。
技术介绍
1、随着数字化阅读的普及，图书推荐系统在帮助用户发现新书籍方面发挥了重要作用，传统的推荐系统主要基于用户的借阅历史和用户评价数据，通过协同过滤的方法进行推荐。然而，这些方法在实际应用中存在一些不足之处。
2、首先，协同过滤方法依赖于大量用户数据来识别相似用户，但在用户数据稀缺的情况下，这种方法的效果会显著下降，此外，协同过滤往往容易受到“偏见推荐”的影响，即推荐系统可能会倾向于推荐用户已熟悉的书籍类型，导致推荐结果缺乏多样性。
3、其次，基于内容的推荐方法则侧重于分析书籍的特征，如主题、作者和关键词，虽然能提供相关性较高的推荐，但往往忽视了用户的个性化偏好和行为变化，无法有效适应用户的阅读习惯和兴趣变化。
4、并且传统推荐系统未考虑用户的认知偏差，如过度依赖某一类书籍，导致推荐结果的局限性，使得推荐结果可能会偏向于某些特定类型的书籍，进一步限制了用户的阅读范围和体验。
技术实现思路
1、本专利技术提供了一种基于人工智能的图书推荐系统。
2、一种基于人工智能的图书推荐系统，包括：
3、用户身份识别模块：通过用户id进行用户身份验证，并在用户登录后提取其基本信息和借阅历史数据；
4、借阅历史数据提取模块：分析从用户身份识别模块获取的借阅历史数据，记录每本书的借阅时间、借阅频率和图书类型，形成用户行为特征数据集；
5、认知偏差识别
6、多样化推荐生成模块：基于认知偏差识别模块的潜在偏差模式分析结果，主动推荐用户多样化书籍，推荐策略采用基于内容的推荐和协同过滤结合方法，确保推荐结果在满足用户潜在兴趣的同时，增加不同类别和主题的书籍，生成个性化推荐列表，确保推荐结果的相关性和多样性，避免用户对特定类别书籍的依赖。
7、可选的，所述认知偏差识别模块具体包括：
8、聚类分析子模块：根据用户的借阅行为数据将用户分为多个群体，每个群体代表一种主要书籍兴趣类型，这些群体反映了用户的不同阅读偏好，对于每个群体，计算所有用户在具体书籍类型上的平均借阅频率，识别出该群体对某一类型书籍的总体偏好；
9、在聚类分析中，用户根据借阅行为被划分为k个不同的类，每个类ck代表一种主要的书籍兴趣类型，表示为：
10、其中，uk为类ck中所有用户的平均借阅频率，bj为属于类ck的用户j对具体书籍类型的借阅频率，nk为类ck中用户的数量；
11、异常检测子模块：确定每个用户所属的群体后，分析用户在该群体中的借阅行为，计算用户在具体书籍类型上的借阅频率与该群体平均借阅频率之间的差异，通过zscore标准化方法识别出用户在具体书籍类型上的偏差程度，例如，若用户的借阅频率显著高于或低于该群体的平均水平，就表明用户在该类型书籍上的偏好可能存在异常。
12、可选的，所述认知偏差识别模块还考虑用户在具体书籍类型上的偏差情况，如果用户的行为明显偏离群体的标准过大，即偏差过大，则将该偏差放大，以确保系统在推荐时能更好地反映用户的独特需求和兴趣。
13、可选的，所述异常检测基于zscore标准化，通过zscore标准化确定用户在其所属聚类中的偏差程度，对于每个用户xi在其类ck中的借阅行为，计算其zscore：计算表示为：其中，bi，k为用户i在类ck中的借阅频率，uk为类ck的平均借阅频率，σk为类ck的标准差。
14、可选的，所述多样化推荐生成模块基于认知偏差识别模块的偏差程度分析结果，主动为用户推荐多样化书籍，多样化推荐生成模块具体包括；
15、基于内容的推荐计算子模块：每本书籍通过其特征(作者、主题、关键词)转换为书籍特征向量vb；基于偏差程度分析构建用户偏好特征向量vu，使用余弦相似度计算书籍特征向量与用户偏好特征向量之间的相似度，如果用户对某类书籍的偏差程度较高，计算相似度时该类别的贡献减少，从而引导推荐系统向其他类型的书籍倾斜；根据余弦相似度计算结果进行排序，生成第一推荐列表；
16、协同过滤算法子模块：计算用户之间的相似度，选择与目标用户相似的邻近用户，基于用户之间相似度计算结果为目标用户未借阅书籍进行推荐评分计算，基于推荐评分，生成第二推荐列表，邻近用户选择中的相似度计算用于确定与目标用户相似的用户群体，这些相似用户的借阅行为和评分将被用于生成推荐评分，在推荐评分计算中，利用这些相似用户的评分数据来预测目标用户对未借阅书籍的偏好，形成最终的推荐列表。
17、可选的，所述用户偏好特征向量构建时，通过引入权重因子wc，若用户对当前书籍偏差程度高，则减小当前权重因子。
18、可选的，所述计算用户之间的相似度时，考虑邻近用户在书籍类型上的偏差情况，选择与目标用户相似且偏差程度低的邻近用户。
19、可选的，所述用户偏好特征向量vu引入wc后表示为vu′：
20、vu′＝vu-dc·wc，其中，wc是与类别c相关的权重因子，dc为偏差程度(书籍类别c的偏差程度)，若用户对该类别偏差高，dc增加，减少该类别在用户兴趣向量中的影响。
21、使用余弦相似度计算调整后用户兴趣向量与书籍特征向量之间的相似度：通过减少偏差程度的影响，引导推荐系统向其他书籍类型倾斜。
22、可选的，所述个性化推荐列表选择第一推荐列表、第二推荐列表中的重复书籍；
23、创建集合：将第一推荐列表和第二推荐列表中的书籍id分别进行提取，形成两个集合：
24、set1：第一推荐列表的书籍id集合；
25、set2：第二推荐列表的书籍id集合；
26、查找重复书籍：找出两个集合中的交集，表示在两个列表中都符合的书籍：个性化推荐列表＝set1∩set2；
27、输出最终推荐列表，包括书籍id、书名。
28、本专利技术的有益效果：
29、本专利技术，通过认知偏差识别模块，深度分析用户的借阅历史和行为特征，有效识别出用户在书籍选择上的认知偏差，不仅能够准确识别用户对特定类别(如科幻、历史等)书籍的过度依赖，还通过动态调整用户偏好向量中的特征权重，减少偏见的影响，促进用户接触更广泛的书籍类别，从而丰富用户的阅读体验。
30、本专利技术，采用基于内容的推荐和协同过滤结合的方法，通过两种不同推荐策略的综合分析，生成最终个性化推荐列表，在计算推荐评分时，能够根据用户的偏差程度动态调整各书籍特征的贡献，不仅提高了推荐结果的相关性，还有效引导用户探索未曾关注的书籍类型，降低了用户对特定类别书籍的依赖性，提升了推荐的多样性和新颖性。
31、本文档来自技高网...
【技术保护点】
1.一种基于人工智能的图书推荐系统，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的图书推荐系统，其特征在于，所述认知偏差识别模块具体包括：
3.根据权利要求2所述的一种基于人工智能的图书推荐系统，其特征在于，所述认知偏差识别模块还考虑用户在具体书籍类型上的偏差情况，如果用户的行为明显偏离群体的标准过大，即偏差过大，则将该偏差放大。
4.根据权利要求3所述的一种基于人工智能的图书推荐系统，其特征在于，所述异常检测基于Zscore标准化，通过Zscore标准化确定用户在其所属聚类中的偏差程度，对于每个用户Xi在其类Ck中的借阅行为，计算其Zscore。
5.根据权利要求1所述的一种基于人工智能的图书推荐系统，其特征在于，所述多样化推荐生成模块基于认知偏差识别模块的偏差程度分析结果，主动为用户推荐多样化书籍，多样化推荐生成模块具体包括；
6.根据权利要求5所述的一种基于人工智能的图书推荐系统，其特征在于，所述用户偏好特征向量构建时，通过引入权重因子Wc，若用户对当前书籍偏差程度高，则减小当前权重因子。
<...【技术特征摘要】
1.一种基于人工智能的图书推荐系统，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的图书推荐系统，其特征在于，所述认知偏差识别模块具体包括：
3.根据权利要求2所述的一种基于人工智能的图书推荐系统，其特征在于，所述认知偏差识别模块还考虑用户在具体书籍类型上的偏差情况，如果用户的行为明显偏离群体的标准过大，即偏差过大，则将该偏差放大。
4.根据权利要求3所述的一种基于人工智能的图书推荐系统，其特征在于，所述异常检测基于zscore标准化，通过zscore标准化确定用户在其所属聚类中的偏差程度，对于每个用户xi在其类ck中的借阅行为，计算其zscore。
5.根据权利要求1所述的一种基于人工智能的图书推荐系统，其特征在于，所述多样化推荐生成模块基于认知偏差识...
【专利技术属性】
技术研发人员：蔡洪齐，
申请(专利权)人：广州铁路职业技术学院广州铁路机械学校，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。