[发明专利]一种基于马尔科夫链的图书推荐方法

说明书

技术领域

本发明涉及一种基于马尔科夫链的图书推荐方法，属于网络应用技术领域。 

背景技术

随着移动、互联网技术的飞速发展，图书的数字化成为一个必然趋势。越来越多的图书阅读平台受到了用户的高度关注，并取得了迅猛发展，已经成为人们获取信息和知识的重要途径。 

图书阅读平台上通常拥有海量的数字图书资源，如何有效地利用这些丰富而宝贵的资源，让用户能够更快捷地找到并充分地利用它们就显得非常重要，因此图书的个性化智能推荐是图书阅读平台的一个很重要的功能。 

目前，图书的个性化智能推荐主要分为基于内容的图书推荐、协同过滤图书推荐、基于知识的图书推荐和组合图书推荐。基于内容的图书推荐根据用户的行为记录，建立符合用户口味的兴趣档案，根据推荐对象的内容特征匹配用户的兴趣档案，发现用户可能感兴趣的商品，常用于文本类的推荐，例如新闻和邮件等。协同过滤图书推荐是应用比较广泛的推荐方法，发现用户的相似用户，根据相似用户群体的行为信息对用户进行推荐。基于知识的图书推荐主要是根据行业内的一些专家意见进行推荐，往往是一定固定的推荐规则。组合图书推荐是综合利用各种推荐算法，把推荐算法的结果进行整合，形成更加全面的推荐结果。 

以上的推荐方法都是根据用户的历史行为记录的静态数据进行推荐，而没有考虑用户的行为实际上是一个动态的过程，即用户的行为是一个时间序列上的数据，而不是简单的对某个物体的喜欢或者厌恶。在对用户进行图书推荐时，用户的阅读喜好很有可能正慢慢地发生改变，这一点可以根据用户最近的阅读图书反映出来，如果仅仅利用用户的静态数据，而没有结合时间特性，就不可能在第一时间发现用户对图书的喜好变化，从而造成信息缺失，导致向用户推荐的图书不符合用户的当前喜好。 

因此，如何根据用户的动态行为，向用户进行图书的个性化推荐，仍是一个急需要解决的技术难题。 

发明内容

有鉴于此，本发明的目的是提供一种基于马尔科夫链的图书推荐方法，能根据用户的动态行为，向用户进行图书的个性化推荐。 

为了达到上述目的，本发明提供了一种基于马尔科夫链的图书推荐方法，所述方法包括有： 

步骤一、查询用户的阅读历史数据，并基于朴素贝叶斯算法，计算用户的初始状态概率向量：                                                   =（   ，   ），其中，   、   分别是用户对图书的喜欢、不喜欢状态，   是用户当前阅读图书的标签向量，   、   分别是用户对图书的喜欢、不喜欢状态概率；

步骤二、查询用户的当前阅读图书和所有未阅读图书，并根据所有用户对该用户的当前阅读图书和未阅读图书的喜欢和不喜欢状态，分别计算该用户当前阅读图书到每个未阅读图书的转移概率矩阵；

步骤三、根据用户的初始状态概率向量、和用户当前阅读图书到未阅读图书的转移概率矩阵，分别计算用户从当前阅读图书转移到每个未阅读图书的状态概率向量，所述状态概率向量包括有用户对未阅读图书的喜欢状态概率，并据此向用户推荐未阅读图书。

与现有技术相比，本发明的有益效果是：本发明能够综合运用用户的动态历史数据，及时获取用户最近的阅读喜好，并向用户提供个性化图书推荐；本发明基于马尔科夫链，对历史数据要求不多，可以被普遍应用，具有较高的实用性；采用图书的标签代替图书来计算用户对图书的喜欢概率，数据的稀疏性明显下降，从而提高了运算的效率和准确度。 

附图说明

图1是本发明一种基于马尔科夫链的图书推荐方法流程图。 

图2是图书的喜欢或不喜欢状态迁移过程示意图。 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明作进一步的详细描述。 

本发明基于马尔科夫链预测模型，首先利用个体用户的阅读历史数据，分别对每个用户建立对应的朴素贝叶斯预测模型，计算得到用户对图书属于喜欢或不喜欢状态的概率，即得到马尔科夫链的初始状态概率向量；再结合所有用户的阅读历史数据，利用所有用户阅读图书的喜好状态，计算得到图书喜好状态之间的转移概率矩阵，形成马尔科夫链中的转移概率矩阵；最后综合以上两部分信息，构成一个完整的马尔科夫链预测模型，计算得到基于马尔科夫链的个性化图书推荐列表，使得用户的图书推荐结果更加准确。如图1所示，本发明一种基于马尔科夫链的图书推荐方法包括有：