高校圖書館推薦系統(tǒng)的應(yīng)用研究

郭恒 孫瑩 勞野

摘 要：隨著互聯(lián)網(wǎng)的出現(xiàn)及其普遍應(yīng)用，帶來了信息量的大幅增長，同時(shí)也產(chǎn)生了信息超載問題。推薦系統(tǒng)的出現(xiàn)很好的解決了信息超載問題，且被廣泛應(yīng)用在多個(gè)領(lǐng)域。本文首先對(duì)高校圖書館推薦系統(tǒng)的現(xiàn)狀以及系統(tǒng)架構(gòu)進(jìn)行簡要闡述，接著介紹了推薦系統(tǒng)中常用的幾種算法，最后結(jié)合工作中的實(shí)際情況對(duì)其應(yīng)用進(jìn)行了簡述。

關(guān)鍵詞：高校圖書館；推薦系統(tǒng)；個(gè)性化推薦

高校圖書館的館藏資源非常豐富，且處于穩(wěn)定增長的狀態(tài)，其主要用戶群是學(xué)校的教職工及學(xué)生。面對(duì)著用戶的專業(yè)不同、興趣不同，需求也是各不相同的。如何能夠結(jié)合自身的特點(diǎn)，更主動(dòng)化、人性化的滿足用戶的不同需求，是圖書館發(fā)展階段的一項(xiàng)重要內(nèi)容。在網(wǎng)絡(luò)技術(shù)飛速發(fā)展的今天，利用計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)推薦系統(tǒng)的應(yīng)用，對(duì)于高校圖書館發(fā)展的現(xiàn)代化有著重要的意義。

1 高校圖書館推薦系統(tǒng)概述

1.1 高校圖書館推薦系統(tǒng)的發(fā)展及其現(xiàn)狀

最早的推薦系統(tǒng)Tapestry，是由美國施樂公司研究所于1992年12月開發(fā)出來的[1]。在這之后，又出現(xiàn)了應(yīng)用于不同領(lǐng)域的推薦系統(tǒng)，有的可以根據(jù)用戶的興趣推薦相關(guān)的網(wǎng)絡(luò)新聞，有的可以根據(jù)消費(fèi)者的興趣提供個(gè)性化的商品推薦，有的可以根據(jù)用戶的學(xué)習(xí)內(nèi)容及習(xí)慣提供私人定制的學(xué)習(xí)計(jì)劃。在這些推薦系統(tǒng)的應(yīng)用中，比較出名的有國外的亞馬遜、Yahoo等電子商務(wù)網(wǎng)站[2]，以及國內(nèi)的淘寶、京東等購物平臺(tái)。

隨著科技的發(fā)展，國內(nèi)的各個(gè)高校圖書館也隨后加強(qiáng)了對(duì)個(gè)性化推薦技術(shù)的研究。早在2000年初，名為“基于Web的數(shù)字圖書館定制系統(tǒng)”的項(xiàng)目由北京大學(xué)承擔(dān)；中國人民大學(xué)的數(shù)字圖書館Kingbase DL，通過記錄和分析用戶描述信息，構(gòu)建讀者概貌，進(jìn)而產(chǎn)生與之相匹配的圖書推薦[3]。在研究人員對(duì)推薦技術(shù)研究的同時(shí)，圖書推薦系統(tǒng)也逐步的應(yīng)用在高校圖書管理系統(tǒng)中。隨著其廣泛應(yīng)用，可以發(fā)現(xiàn)，有圖書推薦功能的系統(tǒng)，可以很好的滿足師生的信息需求，節(jié)省了用戶大量的搜索時(shí)間，通過更有針對(duì)性的圖書推薦，使得圖書館可以更好的發(fā)揮其資源優(yōu)勢。

1.2 推薦系統(tǒng)的架構(gòu)

目前來說，大多數(shù)正在使用的推薦系統(tǒng)是在現(xiàn)有的圖書管理系統(tǒng)之上增加的一種個(gè)性推薦功能。推薦系統(tǒng)可以分為以下幾個(gè)部分，即數(shù)據(jù)獲取和處理部分、模型建立及內(nèi)容過濾提取部分以及結(jié)果展示部分等。在數(shù)據(jù)獲取和處理部分，主要是對(duì)用戶數(shù)據(jù)和圖書數(shù)據(jù)進(jìn)行收集及處理；模型建立及內(nèi)容過濾提取部分是整個(gè)系統(tǒng)的核心，先建立出分析用戶興趣與需求的模型，然后通過推薦算法，篩選出用戶可能借閱的圖書資源；結(jié)果展示部分是對(duì)推薦結(jié)果的顯示的管理，包括展示的位置、內(nèi)容、數(shù)量以及推薦結(jié)果的發(fā)布渠道等[4]。

2 常用的推薦算法

在推薦系統(tǒng)的研究中，可用到的算法有很多，較常用的有以下幾種：基于關(guān)聯(lián)規(guī)則的推薦，基于內(nèi)容的推薦、基于協(xié)同過濾的推薦等。其中協(xié)同過濾算法是目前應(yīng)用比較廣泛的推薦算法。

2.1 基于關(guān)聯(lián)規(guī)則的推薦

基于關(guān)聯(lián)規(guī)則的推薦是從大量的數(shù)據(jù)中找到項(xiàng)目與項(xiàng)目之間的內(nèi)在聯(lián)系，即挖掘出強(qiáng)關(guān)聯(lián)規(guī)則[5]。一般關(guān)聯(lián)規(guī)則的產(chǎn)生如下：首先需要在項(xiàng)目集合中生產(chǎn)所有的頻繁項(xiàng)集，然后在頻繁項(xiàng)集眾尋找強(qiáng)規(guī)則。該算法能發(fā)現(xiàn)新的興趣點(diǎn)、不需要領(lǐng)域知識(shí)，但是靈活性較差，存在屬性重疊問題[6]。

2.2 基于內(nèi)容的推薦

此種算法首先對(duì)項(xiàng)目的特征進(jìn)行提取，然后基于項(xiàng)目特征填充用戶檔案信息，最后產(chǎn)生推薦項(xiàng)目給用戶[7]。該算法比較簡單，但是對(duì)內(nèi)容提取能力有限，面對(duì)高校圖書館的所產(chǎn)生的巨量數(shù)據(jù)，難以全面、準(zhǔn)確的實(shí)現(xiàn)對(duì)其內(nèi)容的挖掘。

2.3 基于協(xié)同過濾的推薦

此方法可以分為兩類：基于用戶的協(xié)同過濾和基于項(xiàng)目的協(xié)同

過濾。

基于用戶的協(xié)同過濾是根據(jù)用戶的歷史行為數(shù)據(jù)建立用戶-物品評(píng)分矩陣，采用特有的方法計(jì)算用戶之間的相似程度，找到與目標(biāo)用戶興趣相同或者相似的用戶，從而根據(jù)相似用戶的行為預(yù)測目標(biāo)用戶感興趣的資源[8]?；陧?xiàng)目的協(xié)同過濾是通過分析用戶的歷史行為，計(jì)算物品之間的相似度，然后根據(jù)目標(biāo)用戶喜歡的物品，找到相似的物品集合進(jìn)行推薦[9]。此方法算法簡單，查準(zhǔn)率較高，能夠發(fā)現(xiàn)讀者新的閱讀興趣，但是存在數(shù)據(jù)系稀疏、冷啟動(dòng)等問題[10]。

3 推薦系統(tǒng)的應(yīng)用

高校圖書館的推薦功能，是根據(jù)不同用戶的信息搜索內(nèi)容，獲得其個(gè)性化興趣，從中找出規(guī)律性，從而提高館藏圖書的利用率。我校圖書管理系統(tǒng)中的推薦模塊分為以下幾個(gè)部分：熱門借閱、熱門評(píng)分、熱門收藏、熱門圖書以及借閱關(guān)系圖等。熱門借閱推薦界面如圖1所示，包括題名、責(zé)任者、出版信息、索書號(hào)、館藏、借閱冊(cè)數(shù)以及借閱比。其中，借閱比是在一定的時(shí)間段內(nèi)（本系統(tǒng)中為2個(gè)月），某本書的總借閱次數(shù)和館藏量的比值。

熱門評(píng)分包括題名、責(zé)任者、出版信息、索書號(hào)、總體評(píng)價(jià)和評(píng)價(jià)人次，推薦模式是可從總體評(píng)價(jià)、評(píng)價(jià)人次、好評(píng)前100名等幾種方式來進(jìn)行選擇推薦；熱門收藏部分除了題名、責(zé)任者、出版信息、索書號(hào)等基本信息外，增加了收藏人數(shù)，推薦結(jié)果以圖書的收藏人數(shù)由高到低進(jìn)行展示；熱門圖書部分是以圖書的瀏覽次數(shù)來進(jìn)行推薦的。借閱關(guān)系圖可以展示出某個(gè)讀者類型或者某個(gè)系別的讀者與圖書之間的借閱關(guān)系，如圖2所示。

4 結(jié)語

在如今網(wǎng)絡(luò)技術(shù)飛速發(fā)展的時(shí)代，高校圖書館在學(xué)生學(xué)習(xí)、教職工教學(xué)、科研的過程中發(fā)揮著不可替代的作用，要利用好新技術(shù)，以讀者為本，在實(shí)際應(yīng)用中及時(shí)進(jìn)行修正、改進(jìn)，從而構(gòu)建出更完善、實(shí)用的高校圖書館推薦系統(tǒng)。

參考文獻(xiàn)

[1]Goldberg D. ， Nichols D.，Okibm， et al..Using Collaborative Filtering to Weave an Information Tapestry [J].Communications of the ACM， 1992，35（12）：61-70.

[2]孫常麗，孫達(dá)辰，郭冬梅，武麗影，金松跟.推薦系統(tǒng)在高校圖書館中的個(gè)性化應(yīng)用[J].研究探索，2017（04）：221-222.

[3]連鍥.高校圖書館圖書推薦系統(tǒng)研究-基于興趣漂移理論和協(xié)同過濾算法[J].中國教育信息化，2018（10）：87-88.

[4]趙泉.高校圖書館圖書推薦系統(tǒng)研究[J].新余學(xué)院學(xué)報(bào)，2018，23（03）：92-93.

[5]Yang H.Improved Collaborative Filtering Recommendation Algorithm Based on Weighted Association Rules[J].Applied Mechanics&Materials，2013：411-414；94-97.

[6]邵方舒.基于協(xié)同過濾及關(guān)聯(lián)規(guī)則的個(gè)性化圖書推薦[D].浙江工商大學(xué)，2018 （01）：12-14.