CN116401466B - 一种图书分级分类推荐方法和*** - Google Patents
一种图书分级分类推荐方法和*** Download PDFInfo
- Publication number
- CN116401466B CN116401466B CN202310674613.2A CN202310674613A CN116401466B CN 116401466 B CN116401466 B CN 116401466B CN 202310674613 A CN202310674613 A CN 202310674613A CN 116401466 B CN116401466 B CN 116401466B
- Authority
- CN
- China
- Prior art keywords
- books
- user
- book
- read
- recommended
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 48
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 17
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 52
- 230000004927 fusion Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/1918—Fusion techniques, i.e. combining data from various sources, e.g. sensor fusion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种图书分级分类推荐方法和***,方法包括:展示用户界面,请求输入用户的年龄、性别、教育程度,以及选择阅读的语种;接收用户的输入信息,并根据用户的年龄、性别、教育程度、语种生成第一分级分类推荐书目,并提示引导用户在所述第一分级分类推荐书目中选择曾经阅读过的图书;根据所述曾经阅读过的图书和预设字典库进行智能试题合成;展示合成的智能试题并引导用户进行作答,获取用户的作答结果;根据所述用户的年龄、性别、教育程度、语种、曾经阅读过的图书和作答结果生成第二分级分类推荐书目。本申请能够根据用户的实际年龄、性别、教育程度、以往阅读经历等情况进行科学、符合客观实际、更切中用户需求的图书推荐。
Description
技术领域
本申请涉及图书推荐技术领域,尤其涉及一种图书分级分类推荐方法和***。
背景技术
目前的对于用户阅读能力的评测以及推荐阅读书籍的方案中,往往通过人工服务人员面谈了解用户的年龄、性别、受教育程度、爱好等进行推荐。然而上述推荐具有一定的随机性和偶然性,不同服务人员的经验判断也会产生非常大的差异,往往并不能精准的满足用户的需求,使得用户体验感一般。
发明内容
有鉴于此,本申请的目的在于提出一种图书分级分类推荐方法和***,本申请能够针对性的解决现有的问题。
基于上述目的,本申请提出了一种图书分级分类推荐方法,包括:
展示用户界面,请求输入用户的年龄、性别、教育程度,以及选择阅读的语种;
接收用户的输入信息,并根据用户的年龄、性别、教育程度、语种生成第一分级分类推荐书目,并提示引导用户在所述第一分级分类推荐书目中选择曾经阅读过的图书;
根据所述曾经阅读过的图书和预设字典库进行智能试题合成;
展示合成的智能试题并引导用户进行作答,获取用户的作答结果;
根据所述用户的年龄、性别、教育程度、语种、曾经阅读过的图书和作答结果生成第二分级分类推荐书目。
进一步地,所述根据用户的年龄、性别、教育程度、语种生成第一分级分类推荐书目,包括:
启动推荐书目数据库,所述推荐书目数据库收集预设数量的藏书读者的个人信息及藏书信息;
提取所述个人信息中的年龄、性别、教育程度,以及所述藏书信息中的每个藏书的语种、关键词,建立关键词、语种和藏书名称的映射关系;
根据个人信息中的年龄、性别、教育程度对藏书读者进行分组,生成多个分组,根据各分组对应的藏书信息提取所述关键词,计算每个关键词的词频,将关键词的词频由大到小进行排列,得到每个分组对应的关键词序列;
在接收到来自用户的推荐请求信息时,分别按照用户的年龄、性别、教育程度到相应的分组中寻找每个分组对应的关键词序列,将所有关键词序列根据相同关键词进行词频相加的方法进行合并,得到推荐关键词序列,将所述推荐关键词序列中推荐关键词的词频也由大到小进行排列;
将所述关键词序列中前预设数量个关键词提取出来,并结合用户选择的语种,基于关键词、语种和藏书名称的映射关系,得到藏书名称集合,作为第一分级分类推荐书目。
进一步地,所述根据所述曾经阅读过的图书和预设字典库进行智能试题合成,包括:
提取曾经阅读过的图书名称和/或曾经阅读过的图书目录和/或曾经阅读过的图书的热点段落,对提取的内容进行文字识别,根据文字识别结果确定所提取的内容中的关键词,将缺省所述关键词的内容保存为属于关键词缺省类题型的智能试题;和/或,
通过与预设字典库进行匹配查找所述曾经阅读过的图书中的至少一个关键词,提取包含所述至少一个关键词的段落,将缺省所述至少一个关键词的段落保存为属于关键词缺省类题型的智能试题。
进一步地,所述根据所述曾经阅读过的图书和预设字典库进行智能试题合成,包括:
获取所述曾经阅读过的图书的至少一个维度的关联信息,通过缺省所述至少一个维度的关联信息生成属于书籍关联信息类题型的智能试题;其中,所述至少一个维度的关联信息包括:书籍作者、同类型书籍、书籍出版信息、和/或书籍改编作品信息;或者,
获取所述曾经阅读过的图书的书籍目录信息并记录其中各个章节的排序,根据随机算法打乱所述各个章节的排序,将打乱排序后的所述曾经阅读过的图书的书籍目录保存为属于书籍目录排序类题型的智能试题。
进一步地,所述根据所述曾经阅读过的图书和预设字典库进行智能试题合成,包括:
识别所述曾经阅读过的图书中的图片,并在预设的图片备选库中随机选取预设数量的其它图片,将所述曾经阅读过的图书中的图片与所述其它图片混合保存作为属于图片类题型的智能试题;或者,
获取所述曾经阅读过的图书中关键事件的描述信息,根据所述关键事件的描述信息生成属于事件描述类题型的智能试题。
进一步地,根据所述用户的年龄、性别、教育程度、语种、曾经阅读过的图书和作答结果生成第二分级分类推荐书目,包括:
启动推荐书目数据库,所述推荐书目数据库收集预设数量的藏书读者的个人信息及藏书信息;
利用DCNN和VGG-16深度卷积神经网络对于用户的年龄、性别、教育程度、语种、推荐书目数据库中的图书中图片进行训练,从而得到训练权重,提取推荐书目数据库的图书中的图片特征,并进行降维得到图像向量;
使用RNN和Word2Vec框架将推荐书目数据库的图书的文本转化为与图像向量纬度一致的文本向量;
通过线性集成方法对于图像向量和文本向量进行融合,得到融合向量;
如果作答结果的正确率高于预设阈值,则将所述曾经阅读过的图书之外的、与所述曾经阅读过的图书的融合向量的余弦相似度大于预设阈值的推荐书目数据库中的图书作为第二分级分类推荐书目;如果作答结果的正确率小于等于预设阈值,则将所述曾经阅读过的图书、以及与所述曾经阅读过的图书的融合向量的余弦相似度大于预设阈值的推荐书目数据库中的图书作为第二分级分类推荐书目。
进一步地,所述融合向量的计算过程如下:设定X为图像向量权重,Y为文本向量权重,A为图像向量矩阵,B为文本向量矩阵,计算公式如下:K=XA+YB,其中,X取0.1,Y取0.9,K为融合向量。
基于上述目的,本申请还提出了一种图书分级分类推荐***,包括:
界面展示模块,用于展示用户界面,请求输入用户的年龄、性别、教育程度,以及选择阅读的语种;
初步推荐模块,用于接收用户的输入信息,并根据用户的年龄、性别、教育程度、语种生成第一分级分类推荐书目,并提示引导用户在所述第一分级分类推荐书目中选择曾经阅读过的图书;
试题合成模块,用于根据所述曾经阅读过的图书和预设字典库进行智能试题合成;
答题引导模块,用于展示合成的智能试题并引导用户进行作答,获取用户的作答结果;
最终推荐模块,用于根据所述用户的年龄、性别、教育程度、语种、曾经阅读过的图书和作答结果生成第二分级分类推荐书目。
总的来说,本申请的优势及给用户带来的体验在于:本申请能够根据用户的实际年龄、性别、教育程度、以往阅读经历等情况进行科学、符合客观实际、更切中用户需求的图书推荐。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本申请公开的一些实施方式,而不应将其视为是对本申请范围的限制。
图1示出根据本申请实施例的图书分级分类推荐方法的流程图。
图2示出根据本申请实施例的用户输入初始信息示意图。
图3示出根据本申请实施例的初始推荐书目示意图。
图4示出根据本申请实施例的智能试题合成效果示意图。
图5示出根据本申请实施例的最终推荐书目示意图。
图6示出根据本申请实施例的图书分级分类推荐***的构成图。
图7示出了本申请一实施例所提供的一种电子设备的结构示意图。
图8示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出根据本申请实施例的图书分级分类推荐方法的流程图。如图1所示,该图书分级分类推荐方法包括:
S1、展示用户界面,请求输入用户的年龄、性别、教育程度,以及选择阅读的语种;如图2所示,可以通过手机、平板电脑、电脑等电子设备,展示用户界面,供用户选择和/或输入相应选项。例如用户学历可以选择小学、初中、高中、本科、硕士、博士等。也可以进一步增加用户所学专业或感兴趣领域等。因此,通过以上设置,本申请能够根据不同的用户实际情况和阅读经历,展开个性化的、针对性的图书分级分类推荐,使得用户产生阅读的兴趣和专注力。
S2、接收用户的输入信息,并根据用户的年龄、性别、教育程度、语种生成第一分级分类推荐书目,如图3所示,并提示引导用户在所述第一分级分类推荐书目中选择曾经阅读过的图书;图3中仅展示了一页结果,实际中每页可以展示的推荐书目数量可以不进行限制,推荐的页数也不进行限制。
S3、根据所述曾经阅读过的图书和预设字典库进行智能试题合成,如图4所示;
S4、展示合成的智能试题并引导用户进行作答,获取用户的作答结果;
S5、根据所述用户的年龄、性别、教育程度、语种、曾经阅读过的图书和作答结果生成第二分级分类推荐书目,如图5所示。
以上步骤S2、S3、S5是本申请的重点步骤,以下进行详细介绍。
进一步地,步骤S2中,包括:
启动推荐书目数据库,所述推荐书目数据库收集预设数量的藏书读者的个人信息及藏书信息;
提取所述个人信息中的年龄、性别、教育程度,以及所述藏书信息中的每个藏书的语种、关键词,建立关键词、语种和藏书名称的映射关系;
根据个人信息中的年龄、性别、教育程度对藏书读者进行分组,生成多个分组,根据各分组对应的藏书信息提取所述关键词,计算每个关键词的词频,将关键词的词频由大到小进行排列,得到每个分组对应的关键词序列;
在接收到来自用户的推荐请求信息时,分别按照用户的年龄、性别、教育程度到相应的分组中寻找每个分组对应的关键词序列,将所有关键词序列根据相同关键词进行词频相加的方法进行合并,得到推荐关键词序列,将所述推荐关键词序列中推荐关键词的词频也由大到小进行排列;
将所述关键词序列中前预设数量个关键词提取出来,并结合用户选择的语种,基于关键词、语种和藏书名称的映射关系,得到藏书名称集合,作为第一分级分类推荐书目。
步骤S2中,通过使用大数据的经验统计,可以首先向用户推荐与其年龄、性别、教育程度相同或相似人群的主流阅读选择,并按照选择书籍的热门程度进行排序,优先将热门书籍推荐给该用户,能够较快的切中用户可能的需求。这种初步的推荐只是根据经验作出的,为了更加准确的了解个体用户的需求和阅读经验,可以进一步对用户的阅读历史进行调查和了解。
进一步地,步骤S3中,包括:
例如,提取曾经阅读过的图书名称和/或曾经阅读过的图书目录和/或曾经阅读过的图书的热点段落,对提取的内容进行文字识别,根据文字识别结果确定所提取的内容中的关键词,将缺省所述关键词的内容保存为属于关键词缺省类题型的智能试题;和/或,
通过与预设字典库进行匹配查找所述曾经阅读过的图书中的至少一个关键词,提取包含所述至少一个关键词的段落,将缺省所述至少一个关键词的段落保存为属于关键词缺省类题型的智能试题。如图4所示,生成了以下问题:海的女儿主人公是谁?
又例如,获取所述曾经阅读过的图书的至少一个维度的关联信息,通过缺省所述至少一个维度的关联信息生成属于书籍关联信息类题型的智能试题;其中,所述至少一个维度的关联信息包括:书籍作者、同类型书籍、书籍出版信息、和/或书籍改编作品信息;如图4所示,生成了以下问题:以下书籍属于童话故事的是?一千零一夜是哪个国家的作品?
获取所述曾经阅读过的图书的书籍目录信息并记录其中各个章节的排序,根据随机算法打乱所述各个章节的排序,将打乱排序后的所述曾经阅读过的图书的书籍目录保存为属于书籍目录排序类题型的智能试题。如图4所示,生成了以下问题:请把白雪公主的以下章节进行正确排序。
再例如,识别所述曾经阅读过的图书中的图片,并在预设的图片备选库中随机选取预设数量的其它图片,将所述曾经阅读过的图书中的图片与所述其它图片混合保存作为属于图片类题型的智能试题;如图4所示,生成了以下问题:以下哪些图片不是安徒生童话中的场景?
获取所述曾经阅读过的图书中关键事件的描述信息,根据所述关键事件的描述信息生成属于事件描述类题型的智能试题。
有些用户虽然阅读过一些书籍,有可能记忆犹新,不需要再次阅读该书籍,但是也可能目前可能已经忘得差不多了,需要重新阅读曾经读过的书籍。步骤S4中,为了考察用户是否真正的还记得以往阅读过的书籍的主体内容,采用试题评测的方式,对用户的现有知识进行考察,以确定后续是否推荐相同或相似的书目。
进一步地,步骤S5中,包括:
启动推荐书目数据库,所述推荐书目数据库收集预设数量的藏书读者的个人信息及藏书信息;
利用DCNN和VGG-16深度卷积神经网络对于用户的年龄、性别、教育程度、语种、推荐书目数据库中的图书中图片进行训练,从而得到训练权重,提取推荐书目数据库的图书中的图片特征,并进行降维得到图像向量;
使用RNN和Word2Vec框架将推荐书目数据库的图书的文本转化为与图像向量纬度一致的文本向量;
通过线性集成方法对于图像向量和文本向量进行融合,得到融合向量;
如果作答结果的正确率高于预设阈值,则将所述曾经阅读过的图书之外的、与所述曾经阅读过的图书的融合向量的余弦相似度大于预设阈值的推荐书目数据库中的图书作为第二分级分类推荐书目;如果作答结果的正确率小于等于预设阈值,则将所述曾经阅读过的图书、以及与所述曾经阅读过的图书的融合向量的余弦相似度大于预设阈值的推荐书目数据库中的图书作为第二分级分类推荐书目。
步骤S5中,通过神经网络的训练,通过智能神经网络训练的方法来得到推荐数目数据库中的藏书的图像特征,并结合文本向量得到融合向量。在评测试题作答正确率较高的情况下,可以认为用户还记得曾经阅读过的书籍的主要内容,已无需再将阅读过的书籍进行推荐,而推荐与阅读过的书籍在图书类型、内容、领域相类似的其他书籍即可。但是如果评测试题作答正确率较差的情况下,则认为用户已经不记得曾经阅读过的书籍的主要内容,此时不但需要仍将阅读过的书籍进行推荐,而且进一步推荐与阅读过的书籍在图书类型、内容、领域相类似的其他书籍。由此,本申请能够根据用户的实际年龄、性别、教育程度、以往阅读经历等情况进行科学、符合客观实际、更切中用户需求的图书推荐。
进一步地,所述融合向量的计算过程如下:设定X为图像向量权重,Y为文本向量权重,A为图像向量矩阵,B为文本向量矩阵,计算公式如下:K=XA+YB,其中,X取0.1,Y取0.9,K为融合向量。
申请实施例提供了一种图书分级分类推荐***,该***用于执行上述实施例所述的图书分级分类推荐方法,如图6所示,该***包括:
界面展示模块401,用于展示用户界面,请求输入用户的年龄、性别、教育程度,以及选择阅读的语种;
初步推荐模块402,用于接收用户的输入信息,并根据用户的年龄、性别、教育程度、语种生成第一分级分类推荐书目,并提示引导用户在所述第一分级分类推荐书目中选择曾经阅读过的图书;
试题合成模块403,用于根据所述曾经阅读过的图书和预设字典库进行智能试题合成;
答题引导模块404,用于展示合成的智能试题并引导用户进行作答,获取用户的作答结果;
最终推荐模块405,用于根据所述用户的年龄、性别、教育程度、语种、曾经阅读过的图书和作答结果生成第二分级分类推荐书目。
本申请的上述实施例提供的图书分级分类推荐***与本申请实施例提供的图书分级分类推荐方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的图书分级分类推荐方法对应的电子设备,以执行上图书分级分类推荐方法。本申请实施例不做限定。
请参考图7,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图7所示,所述电子设备20包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的图书分级分类推荐方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述图书分级分类推荐方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的图书分级分类推荐方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的图书分级分类推荐方法对应的计算机可读存储介质,请参考图8,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的图书分级分类推荐方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的图书分级分类推荐方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备有固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器( DSP )来实现根据本申请实施例的虚拟机的创建***中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者***程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干***的单元权利要求中,这些***中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种图书分级分类推荐方法,其特征在于,包括:
展示用户界面,请求输入用户的年龄、性别、教育程度,以及选择阅读的语种;
接收用户的输入信息,并根据用户的年龄、性别、教育程度、语种生成第一分级分类推荐书目,并提示引导用户在所述第一分级分类推荐书目中选择曾经阅读过的图书;
根据所述曾经阅读过的图书和预设字典库进行智能试题合成;
展示合成的智能试题并引导用户进行作答,获取用户的作答结果;
根据所述用户的年龄、性别、教育程度、语种、曾经阅读过的图书和作答结果生成第二分级分类推荐书目,包括:
启动推荐书目数据库,所述推荐书目数据库收集预设数量的藏书读者的个人信息及藏书信息;
利用DCNN和VGG-16深度卷积神经网络对于用户的年龄、性别、教育程度、语种、推荐书目数据库中的图书中图片进行训练,从而得到训练权重,提取推荐书目数据库的图书中的图片特征,并进行降维得到图像向量;
使用RNN和Word2Vec框架将推荐书目数据库的图书的文本转化为与图像向量的维度一致的文本向量;
通过线性集成方法对于图像向量和文本向量进行融合,得到融合向量;
如果作答结果的正确率高于预设阈值,则将所述曾经阅读过的图书之外的、与所述曾经阅读过的图书的融合向量的余弦相似度大于预设阈值的推荐书目数据库中的图书作为第二分级分类推荐书目;如果作答结果的正确率小于等于预设阈值,则将所述曾经阅读过的图书、以及与所述曾经阅读过的图书的融合向量的余弦相似度大于预设阈值的推荐书目数据库中的图书作为第二分级分类推荐书目。
2.根据权利要求1所述的方法,其特征在于,
所述根据用户的年龄、性别、教育程度、语种生成第一分级分类推荐书目,包括:
启动推荐书目数据库,所述推荐书目数据库收集预设数量的藏书读者的个人信息及藏书信息;
提取所述个人信息中的年龄、性别、教育程度,以及所述藏书信息中的每个藏书的语种、关键词,建立关键词、语种和藏书名称的映射关系;
根据个人信息中的年龄、性别、教育程度对藏书读者进行分组,生成多个分组,根据各分组对应的藏书信息提取所述关键词,计算每个关键词的词频,将关键词的词频由大到小进行排列,得到每个分组对应的关键词序列;
在接收到来自用户的推荐请求信息时,分别按照用户的年龄、性别、教育程度到相应的分组中寻找每个分组对应的关键词序列,将所有关键词序列根据相同关键词进行词频相加的方法进行合并,得到推荐关键词序列,将所述推荐关键词序列中推荐关键词的词频也由大到小进行排列;
将所述关键词序列中前预设数量个关键词提取出来,并结合用户选择的语种,基于关键词、语种和藏书名称的映射关系,得到藏书名称集合,作为第一分级分类推荐书目。
3.根据权利要求1或2所述的方法,其特征在于,
所述根据所述曾经阅读过的图书和预设字典库进行智能试题合成,包括:
提取曾经阅读过的图书名称和/或曾经阅读过的图书目录和/或曾经阅读过的图书的热点段落,对提取的内容进行文字识别,根据文字识别结果确定所提取的内容中的关键词,将缺省所述关键词的内容保存为属于关键词缺省类题型的智能试题;和/或,
通过与预设字典库进行匹配查找所述曾经阅读过的图书中的至少一个关键词,提取包含所述至少一个关键词的段落,将缺省所述至少一个关键词的段落保存为属于关键词缺省类题型的智能试题。
4.根据权利要求1或2所述的方法,其特征在于,
所述根据所述曾经阅读过的图书和预设字典库进行智能试题合成,包括:
获取所述曾经阅读过的图书的至少一个维度的关联信息,通过缺省所述至少一个维度的关联信息生成属于书籍关联信息类题型的智能试题;其中,所述至少一个维度的关联信息包括:书籍作者、同类型书籍、书籍出版信息、和/或书籍改编作品信息;或者,
获取所述曾经阅读过的图书的书籍目录信息并记录其中各个章节的排序,根据随机算法打乱所述各个章节的排序,将打乱排序后的所述曾经阅读过的图书的书籍目录保存为属于书籍目录排序类题型的智能试题。
5.根据权利要求1或2所述的方法,其特征在于,
所述根据所述曾经阅读过的图书和预设字典库进行智能试题合成,包括:
识别所述曾经阅读过的图书中的图片,并在预设的图片备选库中随机选取预设数量的其它图片,将所述曾经阅读过的图书中的图片与所述其它图片混合保存作为属于图片类题型的智能试题;或者,
获取所述曾经阅读过的图书中关键事件的描述信息,根据所述关键事件的描述信息生成属于事件描述类题型的智能试题。
6.根据权利要求1所述的方法,其特征在于,
所述融合向量的计算过程如下:设定X为图像向量权重,Y为文本向量权重,A为图像向量矩阵,B为文本向量矩阵,计算公式如下:K=XA+YB,其中,X取0.1,Y取0.9,K为融合向量。
7.一种图书分级分类推荐***,其特征在于,包括:
界面展示模块,用于展示用户界面,请求输入用户的年龄、性别、教育程度,以及选择阅读的语种;
初步推荐模块,用于接收用户的输入信息,并根据用户的年龄、性别、教育程度、语种生成第一分级分类推荐书目,并提示引导用户在所述第一分级分类推荐书目中选择曾经阅读过的图书;
试题合成模块,用于根据所述曾经阅读过的图书和预设字典库进行智能试题合成;
答题引导模块,用于展示合成的智能试题并引导用户进行作答,获取用户的作答结果;
最终推荐模块,用于根据所述用户的年龄、性别、教育程度、语种、曾经阅读过的图书和作答结果生成第二分级分类推荐书目,包括:
启动推荐书目数据库,所述推荐书目数据库收集预设数量的藏书读者的个人信息及藏书信息;
利用DCNN和VGG-16深度卷积神经网络对于用户的年龄、性别、教育程度、语种、推荐书目数据库中的图书中图片进行训练,从而得到训练权重,提取推荐书目数据库的图书中的图片特征,并进行降维得到图像向量;
使用RNN和Word2Vec框架将推荐书目数据库的图书的文本转化为与图像向量的维度一致的文本向量;
通过线性集成方法对于图像向量和文本向量进行融合,得到融合向量;
如果作答结果的正确率高于预设阈值,则将所述曾经阅读过的图书之外的、与所述曾经阅读过的图书的融合向量的余弦相似度大于预设阈值的推荐书目数据库中的图书作为第二分级分类推荐书目;如果作答结果的正确率小于等于预设阈值,则将所述曾经阅读过的图书、以及与所述曾经阅读过的图书的融合向量的余弦相似度大于预设阈值的推荐书目数据库中的图书作为第二分级分类推荐书目。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序以实现如权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310674613.2A CN116401466B (zh) | 2023-06-08 | 2023-06-08 | 一种图书分级分类推荐方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310674613.2A CN116401466B (zh) | 2023-06-08 | 2023-06-08 | 一种图书分级分类推荐方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116401466A CN116401466A (zh) | 2023-07-07 |
CN116401466B true CN116401466B (zh) | 2023-11-03 |
Family
ID=87014625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310674613.2A Active CN116401466B (zh) | 2023-06-08 | 2023-06-08 | 一种图书分级分类推荐方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401466B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796045B (zh) * | 2023-08-23 | 2023-11-10 | 北京人天书店集团股份有限公司 | 一种多维度图书分级方法、***及可读介质 |
CN117932045A (zh) * | 2024-01-26 | 2024-04-26 | 广州意宏信息科技有限公司 | 一种基于大数据的图书推荐方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050028435A (ko) * | 2003-09-18 | 2005-03-23 | 나관식 | 도서목록 추천과 독서실적 관리시스템 및 그 시스템운영방법 |
CN108091193A (zh) * | 2017-12-21 | 2018-05-29 | 华中科技大学 | 一种手机智能教学与管理平台 |
CN109766465A (zh) * | 2018-12-26 | 2019-05-17 | 中国矿业大学 | 一种基于机器学习的图文融合图书推荐方法 |
KR102318952B1 (ko) * | 2021-03-31 | 2021-10-27 | 임정현 | 인공지능을 활용한 의류 추천 및 구매 방법, 장치 및 시스템 |
CN115033805A (zh) * | 2022-06-15 | 2022-09-09 | 合肥师范学院 | 一种学前儿童图画书智能推荐方法、图画书管理*** |
-
2023
- 2023-06-08 CN CN202310674613.2A patent/CN116401466B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050028435A (ko) * | 2003-09-18 | 2005-03-23 | 나관식 | 도서목록 추천과 독서실적 관리시스템 및 그 시스템운영방법 |
CN108091193A (zh) * | 2017-12-21 | 2018-05-29 | 华中科技大学 | 一种手机智能教学与管理平台 |
CN109766465A (zh) * | 2018-12-26 | 2019-05-17 | 中国矿业大学 | 一种基于机器学习的图文融合图书推荐方法 |
KR102318952B1 (ko) * | 2021-03-31 | 2021-10-27 | 임정현 | 인공지능을 활용한 의류 추천 및 구매 방법, 장치 및 시스템 |
CN115033805A (zh) * | 2022-06-15 | 2022-09-09 | 合肥师范学院 | 一种学前儿童图画书智能推荐方法、图画书管理*** |
Non-Patent Citations (1)
Title |
---|
基于"一起阅读"云平台的"小班化课外阅读教学实践"――以深圳市大鹏新区溪涌小学为例;欧阳喜敏;周雪明;;教育信息技术(第Z1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116401466A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11222055B2 (en) | System, computer-implemented method and computer program product for information retrieval | |
Önder et al. | Tracing tourists by their digital footprints: The case of Austria | |
CN111680219B (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
CN116401466B (zh) | 一种图书分级分类推荐方法和*** | |
US8650141B2 (en) | System and method of segmenting and tagging entities based on profile matching using a multi-media survey | |
US11449785B2 (en) | Method and system for artificial intelligence learning using messaging service and method and system for relaying answer using artificial intelligence | |
US11176142B2 (en) | Method of data query based on evaluation and device | |
US10311374B2 (en) | Categorization of forms to aid in form search | |
CN112214670A (zh) | 一种在线课程推荐方法、装置、电子设备及存储介质 | |
US20170270123A1 (en) | Generating recommendations for media assets to be displayed with related text content | |
CN111539197A (zh) | 文本匹配方法和装置以及计算机***和可读存储介质 | |
EP3739470A1 (en) | Method and apparatus for performing categorised matching of videos, and selection engine | |
Susewind | What’s in a name? Probabilistic inference of religious community from South Asian names | |
CN114860892A (zh) | 层次类目预测方法、装置、设备和介质 | |
CN111782946A (zh) | 书友推荐方法、计算设备及计算机存储介质 | |
CN113704623B (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN113743618A (zh) | 时间序列数据处理方法、装置、可读介质及电子设备 | |
Robinson et al. | A geographic and disciplinary examination of UX empirical research since 2000 | |
CN116467523A (zh) | 新闻推荐方法、装置、电子设备及计算机可读存储介质 | |
Ahmad | What drives journalists’ perceptions of media powers as political image-makers in the emerging democracy of Indonesia? | |
CN113221572B (zh) | 一种信息处理方法、装置、设备及介质 | |
CN113076453A (zh) | 域名分类方法、设备及计算机可读存储介质 | |
CN114153939A (zh) | 文本识别方法及装置 | |
US10776587B2 (en) | Claim generation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |