協(xié)同過濾推薦算法在智慧圖書館中的應用

侯婷

摘要：以數(shù)字化、智慧化為特征的智慧圖書館已經(jīng)是時代所需，其資料獲取和服務的智慧化需要良好的資源協(xié)同，因此，可采用協(xié)同過濾推薦算法進行資源整合以提高服務效率。該文從智慧圖書館的構建入手，基于大數(shù)據(jù)平臺，以協(xié)同過濾推薦算法為核心進行圖書推薦，實現(xiàn)為用戶提供個性化的內(nèi)容，可減少、解決用戶在選擇圖書過程中所遇到的困難，提高借閱精準化服務效率，兼顧個性化需要的滿足率，最終實現(xiàn)智慧化圖書館的全方位服務提升。

關鍵詞：協(xié)同過濾推薦算法智慧圖書館個性化推薦精準服務

中圖分類號：TP391.3 ?文獻標識碼：A ? 文章編號：1672-3791（2021）11（c）-0000-00

Abstract： The intelligent library characterized by digitization and intelligence has been needed by the times. The intelligence of its data acquisition and service requires good resource collaboration. Therefore， collaborative filtering recommendation algorithm can be used for resource integration to improve service efficiency. Starting with the construction of the smart library， this paper recommends books based on the big data platform with the collaborative filtering recommendation algorithm as the core， so as to provide users with personalized content， reduce and solve the difficulties encountered by users in the process of selecting books， improve the efficiency of accurate borrowing service， and take into account the satisfaction rate of personalized needs， Finally， all-round service improvement of intelligent library will be realized.

Key Words： Collaborative filtering recommendation algorithm; Smart library; Personalized recommendation; Precision service

數(shù)字圖書館、電子圖書館已經(jīng)隨著Web2.0時代的到來成為當前圖書館發(fā)展的主流[1]。網(wǎng)絡化、信息化技術的普及向圖書館的服務模式提出了新的挑戰(zhàn)，如何使讀者更好地體驗圖書館的服務，成為當前圖書館工作的重點之一，“智慧圖書館”隨之應運而生[2]。構建智慧圖書館，需要對圖書館的資源進行梳理、分類、整合，需要對讀者的偏好進行預判，需要館內(nèi)資源協(xié)同一致。當前，圖書館智慧模式設計主要采用分布式檢索，資源調(diào)動模型構建、特征分配、關聯(lián)、整合，進而實現(xiàn)資源的步調(diào)一致。該文針對智慧圖書館建設過程中的協(xié)同過濾推薦算法進行梳理，以期為智慧圖書館的實現(xiàn)提供參考。

1 智慧圖書館簡介

智慧圖書館[3-4]，顧名思義，是以“網(wǎng)絡化（Networking）”“數(shù)字化（Digitalize）”“智慧化（Smart）”為特征，能夠?qū)崿F(xiàn)智慧化感知和智慧化服務的圖書館。在智慧化圖書館中，圖書館管理員、讀者和圖書之間實現(xiàn)無障礙實時溝通，讀者可以實時了解目標書籍的現(xiàn)狀，圖書管理員也能夠第一時間為讀者提供服務，還能為讀者答疑解惑?；诰W(wǎng)絡化平臺，圖書的獲取、溝通實現(xiàn)無紙化管理。

國內(nèi)外學者針對智慧圖書館的設計實施開展大量理論實踐工作[5-7]，包括從智慧圖書館的理念、發(fā)展現(xiàn)狀、發(fā)展水平狀態(tài)到服務方式方法等等的理論層面;還包括智慧圖書館建設過程中用到的各類技術模式，如射頻識別技術（Radio Frequency Identification，RFID）、全球廣域網(wǎng)（World Wide Web）、大數(shù)據(jù)云平臺技術、存儲技術、網(wǎng)格技術、虛擬技術等。相對而言，構建統(tǒng)一協(xié)同的資源平臺是國內(nèi)外專家學者公認的建設智慧圖書館的關鍵問題。首要問題就是要充分實現(xiàn)服務的理念，做到方便、快捷、低成本、高效率，實現(xiàn)圖書館系統(tǒng)相關的人、物緊密相連，滿足用戶的個性化需求，并且向用戶智慧推薦，精準、高效地提供服務。因此，智慧圖書館的理想模式是先進與開放并存，集安全性和系統(tǒng)性于一身的智慧性圖書館。這就需要技術支撐以建立資源整合型服務平臺，實現(xiàn)移動終端的在線展示;需要大數(shù)據(jù)為基礎，采用更為先進的計算機技術，按照用戶需要幫助用戶篩選優(yōu)化后的個性需要，當然，其中包括的內(nèi)容很多，如相似度對比、性能優(yōu)化、加權優(yōu)化、聚類分析及融合等等過程，最終實現(xiàn)平臺的智慧化推薦。協(xié)同過濾的推薦算法在各類計算機技術中逐漸脫穎而出，被應用在更多的智慧圖書館建設之中。

2 協(xié)同過濾推薦算法在圖書館建設中的應用

協(xié)同過濾推薦算法本質(zhì)上是在通過分析用戶的歷史行為信息為用戶的興趣偏好的基礎上建立模型，從而為用戶提供推薦的一類算法。協(xié)同過濾（Collaborative Filtering，CF）技術[8-11]曾在個性化推薦中風靡一時，其特點就是在一定范圍內(nèi)根據(jù)用戶的興趣尋找相似的內(nèi)容，然后通過技術評價或者信息比對，篩選相似性內(nèi)容，優(yōu)化內(nèi)容進而推薦給用戶。這主要是在不同用戶興趣點比對過程中，節(jié)省用戶B的時間推薦用戶A的其他選擇，實現(xiàn)精準化服務。根據(jù)關鍵詞與關鍵詞之間的相似度就是所謂的基于關鍵詞的協(xié)同過濾推薦[8]?；诰哂邢嗨茪v史評分數(shù)據(jù)的用戶或項目，用戶的興趣偏好也比較相似這一假設之下，按照選擇相近項目的不同，又可將協(xié)同過濾推薦算法分成基于用戶的協(xié)同過濾推薦算法（User-based Collaborative Filtering，UBCF）[8]、基于項目的協(xié)同過濾推薦算法（Item-based Collaborative Filtering，IBCF）[9]兩類。采用關鍵詞或者項目的歷史評分數(shù)據(jù)計算出二者之間的相似度，以此為基礎尋找最近關鍵詞或項目，并將這個結果來產(chǎn)生推薦。簡單來說，協(xié)同過濾推薦算法就是將相似愛好的用戶定義為鄰居或社區(qū)，根據(jù)用戶最為接近的“鄰里”選擇實現(xiàn)圖書推薦。

喬雅和吳琳[10]曾利用協(xié)同過濾推薦算法對構建智慧圖書館進行分析，他們從信息檢索入手，在提取圖書館館藏資源的語義相關性特征量的基礎上，建立了圖書館智慧服務的特征集合，實現(xiàn)讀者偏好性推薦。金潔潔[11]以個性化圖書精準推薦系統(tǒng)為例，闡述圖書館用戶個性化檔案信息的主要內(nèi)容、類別和功用，展示用戶個性化檔案信息在智慧圖書館中的應用，進一步將圖書館的服務由“被動”變“主動”，不斷完善智慧圖書館的服務。

3 協(xié)同過濾推薦算法在智慧圖書館建設中的應用

協(xié)同過濾推薦算法的實施，是以圖書館服務信息檢索為基礎，根據(jù)檢索信息，提取資源特征信息，用本體特征映射法對圖書館智慧服務相關過程進行推薦，建立讀者偏好關聯(lián)的數(shù)據(jù)集，進行協(xié)同匹配優(yōu)化后，完成圖書館智慧服務的協(xié)同過濾推薦。

3.1智慧圖書館的信息檢索與抽取

構建智慧圖書館的信息檢索是實現(xiàn)協(xié)同過濾推薦算法的基礎。信息模型采用三層體系結構設計，采集“感知層”的圖書館信息，利用RFID技術進行圖書館信息標簽“識別”，在對館藏資源優(yōu)化管理的基礎上實現(xiàn)“網(wǎng)絡層”信息資源的融合與傳輸，在“應用層”中建立圖書館信息管理數(shù)據(jù)庫，并結合本地數(shù)據(jù)庫實現(xiàn)應用層的人機交互，至此，搭建信息檢索與智慧服務的總體框架結構。在感知層中，應用到傳感設備、RFID標簽及視頻設備;在網(wǎng)絡層中用到以太網(wǎng)、Wi-Fi、網(wǎng)絡傳輸協(xié)議及網(wǎng)絡控制裝備，應用層中進行圖書館信息數(shù)據(jù)的導入、管理和設備控制。

3.2智慧圖書館的信息抽取

以圖書館智慧服務信息為基礎，采用相空間重構方法重構和提取特征，提取圖書館館藏資源的語義相關性特征量，構建圖書館智慧服務的大數(shù)據(jù)統(tǒng)計分析模型;根據(jù)資源屬性進行的關聯(lián)度調(diào)度后，得到語義相關性特征重構迭代式;以特征值最小的特征量作為圖書館資源協(xié)同過濾的模糊聚類中心，得到圖書館資源協(xié)同過濾推薦的節(jié)點集，再對節(jié)點集進行語義相關性特征提取，基于上述結果進行協(xié)同過濾推薦。

3.3 協(xié)同過濾推薦算法下智慧圖書館的實現(xiàn)

根據(jù)讀者偏好進行信息挖掘和文本信息推薦，即信息檢索和語義相關特征檢索的基礎上進行圖書館智慧服務的信息檢索，同時進行優(yōu)化設計?？梢圆捎帽倔w特征映射方法進行文本信息的推薦。

4 結語

利用協(xié)同過濾推薦算法，搭建圖書館服務的智慧模式，可以實現(xiàn)資源分類挖掘，不僅能夠建立圖書館資源的各類數(shù)據(jù)集，還能針對讀者偏好進行智慧推薦。利用協(xié)同過濾推薦算法得到的圖書館智慧服務模式，可以為圖書館的精準、精化服務提供參考。

參考文獻

[1]林敏，陳美龍.基于大數(shù)據(jù)的協(xié)同過濾推薦算法在智慧圖書館中的應用[J].電子科學技術，2017，4（4）：137-141.

[2]曾喬美旭.基于協(xié)同過濾個性化推薦算法的高校圖書館借閱App設計研究[D].哈爾濱：哈爾濱工業(yè)大學，2020.

[3]袁帆.中國網(wǎng)絡新聞傳播領域算法倫理研究[D].上海：華東師范大學，2020.

[4]程秀峰，范曉瑩，楊金慶.一種融合了基于樸素貝葉斯算法與情境感知的協(xié)同推薦系統(tǒng)——以大學圖書館實體圖書推薦為例[J].現(xiàn)代情報，2019，39（2）：57-65.

[5]呂璐成，韓濤.人工智能賦能知識服務，開啟智能數(shù)字農(nóng)業(yè)未來——2020全國圖書情報青年學術論壇會議綜述[J/OL].農(nóng)業(yè)圖書情報學報：1-6[2021-12-06].https：//doi.org/10.13998/j.cnki.issn1002-1248.21-0788.

[6]張宜浩，朱小飛，徐傳運，等.基于用戶評論的深度情感分析和多視圖協(xié)同融合的混合推薦方法[J].計算機學報，2019，42（6）：1316-1333.

[7]張萬民.高校智慧圖書館知識服務模式與服務現(xiàn)狀——評《高校智慧圖書館知識服務研究》[J].熱帶作物學報，2021，42（9）：2807.

[8]YI J，ZHONG M S，CHEN Y F，et al.A Hybrid Collaborative Filtering Recommendation Algorithm Based on User Attributes and Matrix Completion[C]// Advanced Science and Industry Research Center.Proceedings of 2019 2nd International Conference on Communication，Network and Artificial Intelligence（CNAI 2019）.Advanced Science and Industry Research Center：Science and Engineering Research Center，2019：8.

[9]XU Y，ZHU N.Hybrid Recommendation Algorithm Based on Long-term and Short-term Interest and Matrix Factorization for Collaborative Filtering[C]//Advanced Science and Industry Research Center.Proceedings of 2020 2nd International Conference on Computer Modeling，Simulation and Algorithm（CMSA2020）.Advanced Science and Industry Research Center：Science and Engineering Research Center，2020：6.

[10]喬雅，吳琳.基于協(xié)同過濾推薦算法的圖書館智慧服務模式研究[J].微型電腦應用，2019，35（11）：150-153.

[11]金潔潔.用戶個性化檔案信息在智慧圖書館中的應用研究——以個性化圖書精準推薦系統(tǒng)為例[J].河南圖書館學刊，2021，41（9）：128-130.