1. 引言

1.1 问题定义

在数字化阅读日益普及的背景下，小型在线书店面临诸多现实挑战，例如用户选择困难、个性化体验不足以及用户留存率低下等问题。为提升用户满意度并促进销售转化，个性化推荐系统已成为提升平台竞争力的关键技术手段之一。文献[1]的研究，亚马逊约有 30% 的页面浏览量源于推荐系统的推动， Netflix 超过 80% 的观影行为也由系统推荐所引导，推荐系统在提升用户活跃度与商业价值中的重要作用。

本项目旨在设计并实现一个基于用户阅读历史的个性化图书推荐原型系统，聚焦于协助用户发现潜在兴趣图书，从而提升用户体验与平台效益。我们以小型书店的业务场景为出发点，结合用户行为数据，通过多种推荐算法进行对比实验，构建推荐逻辑并输出可解释的推荐结果。

本课题的核心目标是：探索并分析合适的图书推荐系统，能够在有限的数据条件下提供高质量的图书推荐。

1.2 调研计划：

为了构建实现本项目的目标，本研究制定了如下调研计划：

• 个性化推荐系统原理学习：搜索论文综述以及技术博客理解主流推荐算法发展路线以及算法分类
• 推荐算法探索与对比：分析并实现主流算法的对比
• 推荐效果评估方法：明确主要指标的适用场景及含义
• 公开数据集检索与评估：在Kaggle、Huggingface等平台中筛选适合的图书数据集

2. 调研总结

2.1 个性化推荐系统原理学习

根据用户的历史行为或兴趣偏好，生成个性化内容，主要细分为4大主流方法（本项目主要调研前3种类型）

Fig1.推荐算法分类 引用自[2]

Fig2.算法发展历史 引用自[5]

1. 内容推荐（Content-Based Filtering，CBF）

基于用户过去喜欢的物品特征（如书籍简介、标签等）进行相似内容的推荐。优点是无需依赖他人行为，适合冷启动；但容易陷入“兴趣窄化”的问题。构建每本书的内容向量（例如 BERT 嵌入向量），然后与用户历史评分较高图书的内容向量进行相似度计算（通常用余弦相似度），选取最相似者作为推荐结果。

2. 协同过滤（Collaborative Filtering，CF）

协同过滤是一种不依赖物品本身内容特征的推荐方法，其核心思想是通过分析用户对物品的行为记录（如评分、点击、收藏等），发掘用户之间或物品之间的相似性，从而实现个性化推荐。与内容推荐不同，协同过滤强调“用户与用户之间”或“物品与物品之间”的协同关系，因此更适合在具有大量交互数据的场景下应用。