基于讀者個(gè)性化特征的圖書館書目推薦

李萍 彭小華

摘 要： 采用協(xié)同過濾的圖書館書目推薦方法存在冷啟動(dòng)以及矩陣稀疏等問題，新書目未被讀者評(píng)分或少量評(píng)分無法被推薦，存在推薦命中率低以及個(gè)性化服務(wù)差的缺陷。因此，提出基于讀者個(gè)性化特征的圖書館書目推薦方法，設(shè)計(jì)基于讀者個(gè)性化特征的數(shù)字圖書館書目推薦模型，給出圖書館書目個(gè)性化推薦流程，采集讀者特征并分析讀者行為后，塑造讀者興趣個(gè)性化特征，通過興趣模型向讀者推薦書目，塑造基于讀者個(gè)性化特征的讀者興趣模型，基于顯式信息和隱式信息對(duì)讀者興趣模型實(shí)時(shí)更新，進(jìn)化讀者個(gè)性化特征本體模型。分析基于讀者個(gè)性化特征的圖書館書目推薦過程，個(gè)性化推薦業(yè)務(wù)實(shí)現(xiàn)過程。實(shí)驗(yàn)結(jié)果表明，所提方法可實(shí)現(xiàn)圖書館書目的個(gè)性化推薦，推薦準(zhǔn)確率和效率較高。

關(guān)鍵詞： 讀者； 個(gè)性化特征； 圖書館書目； 協(xié)同過濾； 興趣模型； 推薦業(yè)務(wù)

中圖分類號(hào)： TN99?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）17?0182?05

Abstract： The traditional library bibliographic recommendation method based on collaborative filtering has the problems of cold start and sparse matrix， low recommendation hit rate and poor personalized service because the new bibliography is not scored by readers or can′t be recommended with a small number of scores. Therefore， a library bibliographic recommendation method based on personalized feature of readers is proposed， a digital library bibliography recommendation model based on personalized feature of readers is designed， and the recommended procedure of library bibliographic recommendation is given. The reader feature is collected and the reader behavior is analyzed to construct the personalized features of interest of readers. The interest model is used to recommend books to readers， and the readers′ interest model based on personalized feature of readers is constructed. On the basis of explicit information and implicit information， the readers′ interest model is updated in real time to improve the ontology model of users′ personalized feature. The library bibliographic recommendation process based on personalized feature of users and implementation process of personalized recommendation business are analyzed. The experimental results show that the proposed method can realize the personalized recommendation of library bibliography， and has high recommendation accuracy and efficiency.

Keywords： reader； personalized feature； library bibliography； collaborative filtering； interest model； recommendation business

0 引 言

數(shù)字圖書館是整合線上以及線下圖書資源的重要手段，其通過分布式網(wǎng)絡(luò)以及數(shù)據(jù)挖掘等手段，向讀者提供可靠的信息服務(wù)。由于圖書館系統(tǒng)的文獻(xiàn)資源量不斷提升，采用有效的圖書館數(shù)碼推薦方法，協(xié)助讀者準(zhǔn)確挖掘出感興趣的圖書書目成為研究的重點(diǎn)方向[1]。采用協(xié)同過濾的圖書館書目推薦方法存在冷啟動(dòng)以及矩陣稀疏等問題；新書目未被讀者評(píng)分或少量評(píng)分無法被推薦，存在推薦命中率低以及個(gè)性化服務(wù)差的缺陷。個(gè)性化圖書館書目推薦方法全面分析了讀者以前個(gè)體或同其相似的讀者群體的偏好，協(xié)助讀者從海量圖書資源中獲取感興趣的資源，并將資源推薦給讀者，為讀者提供主動(dòng)且多樣化的信息服務(wù)。因此，提出基于讀者個(gè)性化特征的圖書館書目推薦方法，提高圖書館書目推薦命中率和效率，實(shí)現(xiàn)圖書資源的個(gè)性化推薦。

1 基于讀者個(gè)性化特征的圖書館書目推薦方法

1.1 基于讀者個(gè)性化特征的圖書館書目推薦模型

將讀者個(gè)性化特征本體融入圖書館書目推薦模型中，塑造基于讀者個(gè)性化特征的圖書館書目推薦模型，如圖1所示。為了讓資源在結(jié)構(gòu)化表示中獲取語義關(guān)聯(lián)，應(yīng)使用讀者個(gè)性化特征本體描述資源。協(xié)同與內(nèi)容過濾推薦是個(gè)性化推薦模型的中心特征，本體概念針對(duì)讀者評(píng)價(jià)矩陣中評(píng)價(jià)信息項(xiàng)目進(jìn)行更新，其增強(qiáng)的個(gè)性化推薦性能表現(xiàn)為可以完全運(yùn)用讀者偏好與本體概念語義相關(guān)聯(lián)[2]。

讀者在登錄以后，根據(jù)注冊(cè)讀者標(biāo)識(shí)可以得到預(yù)設(shè)個(gè)性化數(shù)據(jù)和初始模型讀者注冊(cè)基礎(chǔ)數(shù)據(jù)。為了取得讓讀者滿意的推薦列表，可利用讀者興趣模型中推薦算法和相關(guān)信息處理收集到用戶的興趣概念集。讀者興趣模型的關(guān)鍵標(biāo)志是：資源項(xiàng)目在讀者對(duì)系統(tǒng)進(jìn)行評(píng)論、瀏覽、下載時(shí)實(shí)施信息互換，利用此互換信息進(jìn)一步評(píng)估、分析獲得讀者感興趣的訪問資源，從中了解評(píng)測(cè)出讀者項(xiàng)目評(píng)價(jià)矩陣。以此評(píng)價(jià)矩陣為核心，反映領(lǐng)域本體概念，產(chǎn)生讀者興趣本體，概念間關(guān)系可運(yùn)用統(tǒng)一領(lǐng)域本體查詢，如此即可最大化減少系統(tǒng)消耗，降低多余數(shù)據(jù)，而且在某種角度確保了模型中概念間關(guān)系的相似性，也使讀者興趣模型的實(shí)時(shí)更新更為便捷。已知興趣概念后，興趣概念相似度就可以利用傳統(tǒng)推薦算法計(jì)算，并從中獲取讀者關(guān)聯(lián)緊密興趣概念進(jìn)而整合為概念推薦集[3]。最后為了得到興趣概念對(duì)應(yīng)資源，經(jīng)過數(shù)字圖書館資源庫查詢并總結(jié)生成讀者個(gè)性化推薦列表反饋于讀者。

1.2 圖書館書目個(gè)性化推薦流程

綜合圖1推薦模型，可看出依據(jù)讀者個(gè)性化特征本體數(shù)字圖書館的個(gè)性化推薦流程為：

1） 采用OWL本體描述語言和本體構(gòu)建工具Protégé按照資源特點(diǎn)、構(gòu)建方式打造與其資源相配的領(lǐng)域本體。

2） 讀者的行為分辨和特征提取。注冊(cè)的讀者系統(tǒng)會(huì)按照讀者的注冊(cè)信息和系統(tǒng)瀏覽的自動(dòng)記錄、下載過程等實(shí)施剖析歸納，總結(jié)讀者的興趣特點(diǎn)和瀏覽資源的側(cè)重點(diǎn)；而未注冊(cè)的讀者，因?yàn)槿鄙購那暗臍v史數(shù)據(jù)和基礎(chǔ)信息，系統(tǒng)只能按照讀者目前的瀏覽記錄來剖析讀者的興趣度[4]。

3） 讀者興趣本體的構(gòu)建。領(lǐng)域本體的概念應(yīng)在觀察讀者行為和取得讀者興趣特征之后進(jìn)行。利用對(duì)讀者興趣特征的辨別，領(lǐng)域本體中相呼應(yīng)的概念也被弱化，保留上下位和同位這種普遍的關(guān)系，應(yīng)用系列評(píng)價(jià)值描述興趣概念，讀者興趣模型推薦的依據(jù)是讀者興趣本體的形成。復(fù)雜語義可利用查詢領(lǐng)域本體獲取，這樣可以減少系統(tǒng)消耗，使讀者興趣概念和領(lǐng)域本體概念保持更加穩(wěn)定的相似性。

4） 向讀者推薦時(shí)使用興趣模型。讀者興趣本體被取得時(shí)，把讀者間的關(guān)系和讀者感興趣的概念編輯成讀者興趣概念矩陣，讀者興趣模型便可以構(gòu)建出來，圖2為其詳細(xì)過程。通過該過程辨析興趣概念評(píng)價(jià)矩陣，采用過濾推薦算法計(jì)算出讀者興趣概念評(píng)價(jià)矩陣的相仿程度，收集不同讀者對(duì)概念間喜愛的一致性，從中獲取與讀者聯(lián)系最密切的興趣項(xiàng)，獲取讀者興趣推薦集。為收集讀者個(gè)性化推薦列表，還需要經(jīng)過數(shù)字圖書館資源查詢，才能找出哪種是讀者常用的資源，并將資源反饋給讀者。

5） 進(jìn)化讀者個(gè)性化特征本體模型。因?yàn)樽x者的興趣是時(shí)刻變換的，讀者興趣模型必然依照興趣的改變而變化，這樣模型才能更好地與讀者的真實(shí)愛好吻合，以便于更加精準(zhǔn)確切地為讀者實(shí)施個(gè)性化推薦。有兩種穩(wěn)妥信息源可以指導(dǎo)模型更新[5]：第一種顯式信息（由讀者主動(dòng)提供）；第二種是隱式信息（由讀者動(dòng)作辨識(shí)得到）。以上信息是模型進(jìn)化的基礎(chǔ)數(shù)據(jù)，能讓更新后的模型對(duì)讀者的喜愛有更準(zhǔn)確的認(rèn)識(shí)，讀者當(dāng)前的喜愛是讀者興趣模型更新的關(guān)鍵[6]。

1.3 個(gè)性化圖書館書目推薦方法

采用如下方法實(shí)現(xiàn)圖書館書目的推薦，推薦過程如圖3所示。

讀者的查詢和借閱愛好是圖書館書目推薦的基礎(chǔ)信息，個(gè)性化圖書館書目推薦方法過程是：

1） 取得讀者查詢[Q]，讀者進(jìn)入后輸入尋找[Q]，當(dāng)[Q]={（[c1]，[q1]），（[c2，q2]），…，（[cn，qn]）}即需要類別[ci]和需求值[qi]是查詢中讀者確定的；

2） 讀者訪問整理，整理改正模塊加載讀者訪問[Q]，形成整理目錄[Qi]且暫時(shí)保存；

3） 尋找讀者滿意的訪問資源。依照[Qi]里元素的不同特點(diǎn)和各元素間的線索聯(lián)系，把訪問目標(biāo)[Qi]變成與之關(guān)聯(lián)的SPARQL語句[Qsparql]滿足條件的資源集合[LR=][{lr1，lr2，…，lrn}]；

4） 讀者個(gè)性化特點(diǎn)的取得。登錄借閱者本體中目前的讀者實(shí)例[Icurrent]相對(duì)的借閱愛好信息集合[UP=up1，up2，…，upn]；

5） 個(gè)性化過濾條件的取得。推理作業(yè)的進(jìn)行是目前讀者本體實(shí)例[Icurrent]和推理規(guī)則[R]的結(jié)合。把讀者借閱喜好變換成圖書館館藏資源特征集[LRF=]

6） 在館藏資源尋找符合個(gè)性化特征資源。用LRF做過濾，對(duì)LR實(shí)施進(jìn)一步選擇，直到最后檢驗(yàn)結(jié)果為[LR=][lr′1，lr′2，…，lr′n]；

7） 排序結(jié)論。

對(duì)目前讀者的滿意度用復(fù)檢結(jié)果[LR]中的各個(gè)資源進(jìn)行計(jì)算，結(jié)果用總權(quán)重[C]表示：

式中：[wij]代表讀者閱讀喜好；[upi]表示和館藏資源特征[lrfj]相似度，某列條文生效后的影響系數(shù)默認(rèn)值為[1；kij]，[0

以上過程中，兩個(gè)部分形成了最后的推薦結(jié)果列表，當(dāng)[LR?LR]，結(jié)果列表的開始環(huán)節(jié)（即[LR]環(huán)節(jié)）要經(jīng)歷排序處理的審核報(bào)告，余下是被第一次檢驗(yàn)個(gè)性化部分過濾掉的環(huán)節(jié)。剩下環(huán)節(jié)的結(jié)束可以利用統(tǒng)計(jì)借閱次數(shù)（TotalNOL）和讀者評(píng)價(jià)（Rate）實(shí)施排列，各個(gè)資源的分值用[S]代表，依據(jù)降序順序回溯。[S]計(jì)算公式為：

1.4 個(gè)性化推薦業(yè)務(wù)實(shí)現(xiàn)

本文基于讀者個(gè)性化特征的圖書館書目推薦方法，其推薦主體為讀者，根據(jù)讀者的喜好變化，對(duì)其推薦不同類型的書目。讀者的個(gè)人喜好評(píng)價(jià)指標(biāo)包括性別、年齡、學(xué)歷和職業(yè)等，讀者將各種評(píng)價(jià)指標(biāo)的特征值填寫在讀者個(gè)性化特征的圖書館書目推薦平臺(tái)上[7]，可實(shí)時(shí)查看圖書館書目推薦結(jié)果。圖書館書目推薦業(yè)務(wù)采用本體概念對(duì)讀者閱讀喜好進(jìn)行描述，利用本文方法進(jìn)行相似度計(jì)算，按此結(jié)果向讀者推薦其最感興趣的書目。圖4為向讀者個(gè)性化特征推薦書目的應(yīng)用層讀者推薦業(yè)務(wù)時(shí)序圖[8]。

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)從本文方法推薦的圖書館書目質(zhì)量的好壞和推薦結(jié)果的準(zhǔn)確度來判斷本文方法的有效性。圖書館書目推薦的標(biāo)準(zhǔn)包括決策支持精度測(cè)量和統(tǒng)計(jì)精度測(cè)量?jī)煞N。決策支持精度測(cè)量對(duì)圖書館書目推薦質(zhì)量的評(píng)價(jià)標(biāo)準(zhǔn)有查準(zhǔn)率和查全率；統(tǒng)計(jì)精度測(cè)量常采用平均絕對(duì)偏差算法（MAE）對(duì)本文方法推薦書目結(jié)果精度進(jìn)行評(píng)價(jià)[9]。

本文方法對(duì)讀者推薦的書目列表中使讀者滿意的書目用查準(zhǔn)率表示；查全率可以衡量書目推薦列表中使讀者滿意的書目在測(cè)試集中占該讀者所有滿意的書目的比例。查準(zhǔn)率和查全率的計(jì)算公式為：

式中：ret表示經(jīng)過訓(xùn)練后估計(jì)出的目標(biāo)讀者滿意的書目列表；rel為向讀者推薦的讀者真實(shí)喜好的書目；[ret?rel]為目標(biāo)讀者估計(jì)的讀者真實(shí)喜好的書目的集合。

圖書館推薦書目精度評(píng)價(jià)中采用的平均絕對(duì)偏差是計(jì)算測(cè)量值與算術(shù)平均值偏差的絕對(duì)值的平均數(shù)。將這種精度評(píng)價(jià)算法應(yīng)用于圖書館推薦書目質(zhì)量評(píng)價(jià)中，對(duì)估計(jì)的讀者評(píng)分結(jié)果與實(shí)際讀者的評(píng)分結(jié)果進(jìn)行偏差程度計(jì)算，得出結(jié)果的數(shù)值越小說明本文方法推薦的書目推薦精度較高。將估計(jì)的目標(biāo)讀者評(píng)分結(jié)果設(shè)為[p1，p2，…，pn]，實(shí)際目標(biāo)讀者的評(píng)分結(jié)果為[q1，q2，…，qn]，對(duì)目標(biāo)讀者實(shí)施估計(jì)評(píng)分的書目數(shù)量為[N]，式（5）為平均絕對(duì)偏差的定義公式：

實(shí)驗(yàn)利用Matlab 7.0編程對(duì)本文方法和傳統(tǒng)協(xié)同過濾推薦方法進(jìn)行實(shí)驗(yàn)仿真，將仿真結(jié)果進(jìn)行對(duì)比分析。實(shí)驗(yàn)為驗(yàn)證本文方法和傳統(tǒng)協(xié)同過濾方法對(duì)讀者個(gè)性化特征的圖書館書目推薦效果，對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行劃分。將評(píng)分次數(shù)不超過300的讀者作為實(shí)驗(yàn)研究對(duì)象；將30位讀者分為一群，每位讀者屬于讀者群的標(biāo)準(zhǔn)由評(píng)分項(xiàng)目數(shù)進(jìn)行判決，該評(píng)分項(xiàng)目數(shù)不超過[30n]（[n]=1，2，…，10）；在選定的10個(gè)讀者群中隨機(jī)選取5名讀者，比較兩種方法對(duì)他們推薦書目的質(zhì)量。

實(shí)驗(yàn)采用5折交叉驗(yàn)證的方法對(duì)讀者數(shù)據(jù)實(shí)施處理操作。該操作過程將讀者數(shù)據(jù)集隨機(jī)地劃分成5份，依次選取4份當(dāng)作訓(xùn)練數(shù)據(jù)，另外一份為測(cè)試數(shù)據(jù)，據(jù)此操作進(jìn)行數(shù)據(jù)處理，目的是增強(qiáng)圖書館書目的推薦質(zhì)量。對(duì)屬于某一讀者群中的讀者來說，通過5折交叉法向該讀者進(jìn)行5次圖書館書目推薦，取5次推薦結(jié)果的平均值作為最終的推薦結(jié)果。以此類推得到該讀者群中其他讀者的圖書館書目推薦結(jié)果，求該讀者群中所有讀者的圖書館書目推薦結(jié)果的平均值。實(shí)驗(yàn)中本文方法和傳統(tǒng)協(xié)同過濾方法分別利用5折交叉驗(yàn)證的方法對(duì)讀者群的圖書館書目推薦結(jié)果的平均值進(jìn)行求解[10]。實(shí)驗(yàn)分析兩種方法在平均絕對(duì)誤差、查準(zhǔn)率和查全率三個(gè)圖書館書目推薦評(píng)價(jià)指標(biāo)的實(shí)驗(yàn)仿真結(jié)果，表1為兩種方法的實(shí)驗(yàn)結(jié)果數(shù)據(jù)表。

從圖5可以得出，本文方法相比傳統(tǒng)的協(xié)同過濾推薦方法，在圖書館書目推薦上的質(zhì)量較好。從圖5中可以明顯看出，本文方法的平均絕對(duì)誤差結(jié)果比傳統(tǒng)協(xié)同過濾方法小，傳統(tǒng)協(xié)同過濾方法的MAE曲線遠(yuǎn)遠(yuǎn)高于本文方法。MAE值越小說明推薦的書目推薦精度較高，在特定評(píng)價(jià)讀者集合較小的情況下MAE曲線的差別更大。

從圖6和圖7兩種方法的查準(zhǔn)率和查全率對(duì)比結(jié)果可以看出，本文方法的查準(zhǔn)率和查全率均優(yōu)于傳統(tǒng)協(xié)同過濾方法。從圖6可以明顯看出兩種方法在隨著特定讀者評(píng)價(jià)集合增大的過程中，查準(zhǔn)率均逐漸提高，且本文方法的查準(zhǔn)率始終高于傳統(tǒng)協(xié)同過濾方法；從圖7中可以看出，兩種方法隨著特定讀者評(píng)價(jià)集合的不斷增大，查全率的變化比較平穩(wěn)，但本文方法的查全率曲線始終明顯高于傳統(tǒng)協(xié)同過濾方法，說明本文方法在進(jìn)行圖書館書目推薦過程中的推薦效果較高。

3 結(jié) 論

本文提出基于讀者個(gè)性化特征的圖書館書目推薦方法。在采集讀者特征并分析讀者行為后，塑造讀者興趣個(gè)性化特征，通過興趣模型向讀者推薦書目，同時(shí)構(gòu)建了基于讀者個(gè)性化特征的讀者興趣模型，對(duì)讀者個(gè)性化特征實(shí)時(shí)更新，提高圖書館書目推薦的個(gè)性化以及效率。

參考文獻(xiàn)

[1] 蔡寶家.讀者代購：基于PDA的圖書館個(gè)性化服務(wù)[J].現(xiàn)代情報(bào)，2014，34（10）：149?152.

CAI Baojia. Reader purchase： a personalized service of library based on PDA [J]. Modern information， 2014， 34（10）： 149?152.

[2] 陳臣.圖書館個(gè)性化智慧服務(wù)體系的構(gòu)建[J].圖書館建設(shè)，2014（11）：37?40.

CHEN Chen. Construction of the personalized intelligence service system of the library [J]. Library development， 2014（11）： 37?40.

[3] 鄭祥云，陳志剛，黃瑞，等.基于主題模型的個(gè)性化圖書推薦算法[J].計(jì)算機(jī)應(yīng)用，2015，35（9）：2569?2573.

ZHENG Xiangyun， CHEN Zhigang， HUANG Rui， et al. Perso?nalized book recommendation algorithm based on topic model [J]. Journal of computer applications， 2015， 35（9）： 2569?2573.

[4] 琚春華，裘月.一種融入個(gè)體人格特質(zhì)的混合圖書推薦方法[J].情報(bào)學(xué)報(bào)，2015，34（2）：164?175.

JU Chunhua， QIU Yue. A hybrid method for books recommendation involving individual personality traits [J]. Journal of the China society for scientific and technical information， 2015， 34（2）： 164?175.

[5] 馬曉亭.大數(shù)據(jù)時(shí)代圖書館個(gè)性化服務(wù)讀者隱私保護(hù)研究[J].圖書館論壇，2014，34（2）：84?89.

MA Xiaoting. Study on user privacy protection for library personalized service in big data era [J]. Library tribune， 2014， 34（2）： 84?89.

[6] 李默，梁永全.基于標(biāo)簽和關(guān)聯(lián)規(guī)則挖掘的圖書組合推薦系統(tǒng)模型研究[J].計(jì)算機(jī)應(yīng)用研究，2014，31（8）：2390?2393.

LI Mo， LIANG Yongquan. Research of hybrid recommendation system model based on tags and association rules mining for books [J]. Application research of computers， 2014， 31（8）： 2390?2393.

[7] 張閃閃，黃鵬.高校圖書館圖書推薦系統(tǒng)中的稀疏性問題實(shí)證探析[J].大學(xué)圖書館學(xué)報(bào)，2014，32（6）：47?53.

ZHANG Shanshan， HUANG Peng. Empirical study on sparsity of university libraries [J]. Journal of academic libraries， 2014， 32（6）： 47?53.

[8] 宋楚平.一種改進(jìn)的協(xié)同過濾方法在高校圖書館圖書推薦中的應(yīng)用[J].圖書情報(bào)工作，2016，60（24）：86?91.

SONG Chuping. Application of an improved collaborative filte?ring method on recommending books in college libraries [J]. Library and information service， 2016， 60（24）： 86?91.

[9] 程遠(yuǎn).公共圖書館展覽服務(wù)中嵌入圖書推薦的實(shí)踐探索：以江西省圖書館為例[J].國(guó)家圖書館學(xué)刊，2015，24（5）：110?112.

CHENG Yuan. Exploration on the mode of recommendation on books embedded in exhibition services in public libraries： taking Jiangxi Library as an example [J]. Journal of the national library of China， 2015， 24（5）： 110?112.

[10] 郭明環(huán)，張峰，焦娜.新凱恩斯理論在高校圖書館圖書資源配置效益中的應(yīng)用：以西安科技大學(xué)圖書館為例[J].西安科技大學(xué)學(xué)報(bào)，2016，36（2）：296?300.

GUO Minghuan， ZHANG Feng， JIAO Na. Application of the new Keynes theory in university library book resource distribution efficiency： taking Xian University of Science and Technology Library as an example [J]. Journal of Xian University of Science and Technology， 2016， 36（2）： 296?300.