基于深度學習的圖書館資源個性化推薦研究

祝 婷

（西安工業(yè)大學圖書館，陜西 西安 710021）

圖書館資源是讀者增長學識和開展科學研究的重要知識源，然而隨著互聯(lián)網技術的快速發(fā)展，圖書館資源呈爆炸式增長，給讀者們帶來“信息過載”問題。一方面，讀者面對海量的圖書館資源，很難從中獲取自己感興趣的資源；另一方面，部分圖書館資源被淹沒，沒有展現(xiàn)給讀者的機會，造成資源浪費的現(xiàn)象。在這種場景下，圖書館資源個性化推薦技術便顯得愈發(fā)重要。傳統(tǒng)的圖書館資源推薦包括基于關聯(lián)規(guī)則的推薦、基于內容的推薦、基于協(xié)同過濾的推薦以及混合推薦等。在大數(shù)據背景下，讀者面對的圖書館資源更多具備復雜多樣、無規(guī)律和多源異構等特征，如何深層次地挖掘這些資源的隱式特征，是提高推薦準確性的重要措施。深度學習技術可以通過多個處理層來實現(xiàn)數(shù)據深層次的挖掘和表示，因此，將深度學習技術應用于圖書館資源推薦已成為一種研究趨勢。本文首先概述了圖書館資源推薦的現(xiàn)狀與不足，然后分析了深度學習在圖書館資源個性化推薦中的作用，最后在此基礎上構建了基于深度學習的圖書館資源個性化推薦框架，以期提高讀者的用戶體驗以及圖書館資源的利用率。

1.圖書館資源個性化推薦概述

1.1 圖書館資源個性化推薦現(xiàn)狀

常見的圖書館資源個性化推薦方法主要分為以下幾種：①基于關聯(lián)規(guī)則的圖書館資源推薦。該方法通過數(shù)據挖掘算法獲取讀者瀏覽資源數(shù)據庫中的強關聯(lián)規(guī)則，讀者在借閱或下載資源時與其強關聯(lián)規(guī)則進行匹配，將關聯(lián)匹配的圖書館資源推薦給讀者；②基于內容的圖書館資源推薦。該方法首先根據讀者選擇的圖書館資源生成讀者興趣模型，然后將圖書館資源生成內容特征向量，最后對比讀者興趣模型和圖書館資源內容特征之間的相似性，將相似性較高的圖書館資源推薦給讀者；③基于協(xié)同過濾的圖書館資源推薦。該方法是應用最為廣泛的推薦技術，它的主要思想是相似讀者具有相似的興趣愛好，大致步驟為首先根據讀者對圖書館資源的評分生成評分矩陣，然后在評分矩陣中使用相似性算法計算目標讀者的近鄰讀者，最后將近鄰讀者喜歡的圖書館資源推薦給目標讀者。④混合圖書館資源推薦。為彌單一推薦方法的不足，取其優(yōu)勢，避其缺陷，可將多個推薦方法進行融合形成混合推薦方法。混合推薦方法通常分為前融合、中融合和后融合，通過不同推薦方法的融合，可以產生更好的推薦效果。

1.2 圖書館資源個性化推薦存在的不足

圖書館資源推薦方法未和深度學習技術進行融合。目前常見的圖書館資源推薦方法本質上是通過淺層學習方法獲取讀者、資源以及讀者資源之間的關系，實現(xiàn)個性化推薦。這種推薦方法雖然在一定程度上可以滿足讀者的個性化需求，但是由于淺層學習方法無法深層次的挖掘推薦系統(tǒng)中的讀者和資源信息，即無法學習深層次的特征，致使限制了圖書館資源推薦的準確性。另外，反應讀者行為和個性化需求的周圍環(huán)境數(shù)據通常具有多源異構、稀疏、不均勻分布等特征，淺層學習方法較難處理這類數(shù)據。因此，如何深層次地從讀者和圖書館資源中獲取讀者的興趣愛好并結合周圍環(huán)境的隱式特征是實現(xiàn)圖書館資源推薦過程中面臨的嚴重挑戰(zhàn)。

2.深度學習在圖書館資源個性化推薦中的作用

2.1 深度學習技術

深度學習是機器學習領域的一個重要分支[1]，已成為人工智能以及互聯(lián)網大數(shù)據的熱潮，并廣泛應用于自然語言處理、語音識別、圖像處理、機器翻譯等領域[2]。它是以神經網絡為基礎，通過組合低層次的特征進而形成高層次的抽象表示，實現(xiàn)對數(shù)據進行更為復雜特征表示的算法。與傳統(tǒng)的機器學習模型相比，深度學習可以自主、高效地進行特征抽取，不需要依賴自身領域知識及人工構建特征，并且深度學習模型具有三層及以上網絡結構，網絡模型更為復雜。典型的深度學習算法包括卷積神經網絡（Convolutional Neural Network,CNN）、循環(huán)神經網絡（Recurrent Neural Network,RNN）、深度信念網絡（Deep Belidf Network,DBN）和受限玻爾茲曼機（Boltzmann Machine,BM）等[3]。

2.2 深度學習與圖書館資源推薦

圖書館資源推薦引入深度學習技術是為了更深層次的挖掘讀者和資源的隱式特征，同時從多源異構等特征的數(shù)據中自動學習特征，將其映射到同一空間，進行統(tǒng)一表示。因此，與傳統(tǒng)的圖書館資源推薦方法相比，深度學習技術在資源推薦領域中的應用具有一定的優(yōu)勢，它可以更加精準地學習讀者的喜好、圖書館資源的特征，以及讀者與資源間的交互行為，不再依賴人工特征設計，不僅減少了人工負擔，而且可以獲取數(shù)據的語義信息及內在聯(lián)系，從而提高圖書館資源推薦的準確性，達到提升用戶體驗的目的。圖書館資源推薦是解決讀者面臨的信息過載問題和充分利用圖書館資源的重要途徑，將深度學習融入到圖書館資源推薦系統(tǒng)中，對于克服傳統(tǒng)圖書館資源推薦方法的不足，改進推薦系統(tǒng)的質量，提升圖書館的個性化服務水平具有重要意義。

3.基于深度學習的圖書館資源個性化推薦框架構建

本文將深度學習技術與圖書館資源推薦結合，構建基于深度學習的圖書館資源個性化推薦框架?？蚣芊譃閿?shù)據輸入層、深度學習模型層以及推薦結果輸出層。首先，從讀者和資源中提取相關數(shù)據，作為推薦模型的輸入；然后，通過深度學習模型生成讀者和圖書館資源的隱式表示特征；最后，根據讀者與圖書館資源的隱式特征獲取兩者之間的相似性或關聯(lián)度，輸出圖書館資源推薦結果。具體推薦框架見圖1所示：

圖1 基于深度學習的圖書館資源推薦框架

3.1 數(shù)據輸入層

圖書館資源個性化推薦是根據讀者、資源以及讀者與資源間的交互數(shù)據進行推薦，因此推薦框架的數(shù)據輸入層包括讀者屬性數(shù)據、圖書館資源數(shù)據、讀者與資源之間的交互行為數(shù)據以及其他數(shù)據。輸入層是推薦框架的數(shù)據源，必須建立在客觀真實的基礎上，才能保證推薦結果的準確性。讀者屬性數(shù)據包括讀者姓名、性別、年齡、專業(yè)、學院、研究方向等數(shù)據，可以從圖書館管理系統(tǒng)中提取讀者屬性數(shù)據；圖書館資源數(shù)據包括圖書館紙質資源的書名、作者、出版社、簡介等和電子資源的題名、作者、摘要、關鍵詞等數(shù)據，可以從圖書管理系統(tǒng)中提取紙質資源數(shù)據，從電子資源數(shù)據庫中提取電子資源數(shù)據；讀者與圖書館間之間的交互行為數(shù)據分為顯示反饋數(shù)據和隱式反饋數(shù)據，顯示反饋是指讀者喜歡或不喜歡某個資源（可以用0或1表示）、讀者對資源的評分（可以用1-5表示，數(shù)值的大小代表讀者對資源的喜愛程度），是讀者對資源的直接反饋。隱式反饋是指讀者搜索、瀏覽、借閱、紙質資源的次數(shù)，在線瀏覽、下載電子資源的次數(shù)以及瀏覽電子資源時長，是讀者對資源的間接反饋，可以從圖書館書目檢索系統(tǒng)、圖書館微信公眾號、圖書館網站等提取讀者行為數(shù)據；其他數(shù)據包括讀者的社交網絡數(shù)據、情境數(shù)據等。社交網絡數(shù)據，如讀者之間的社會化關系可以通過社交網站抓取，情境數(shù)據，如讀者所處的位置、物理環(huán)境等可以通過智能終端和傳感器設備實時采集。

3.2 深度學習模型層

深度學習模型層是在數(shù)據輸入層輸入數(shù)據的基礎上，根據讀者所處的實際場景和不同深度學習技術的特點，選用適當?shù)纳疃葘W習方法對輸入的數(shù)據進行自動特征提取，生成讀者和資源的隱式特征表示。常見的深度學習模型有卷積神經網絡、循環(huán)神經網絡、受限玻爾茲曼機等。本文選擇卷積神經網絡來實現(xiàn)圖書館資源的特征提取，由于神經網絡不能處理文本，因此需要對圖書館資源進行數(shù)據預處理和向量化表示。對圖書館資源的題名、作者、摘要、關鍵詞進行合并、分詞、去停用詞處理，使用GloVe或Word2Vec對圖書館資源進行詞向量表示，將這些數(shù)據作為卷積神經網絡的輸入數(shù)據。

卷積神經網絡由輸入層、卷積層、池化層、全連接層和輸出層組成[4]，輸入層：將圖書館資源詞向量表示pi作為模型的輸入。卷積層：實現(xiàn)特征提取，卷積操作可以表示為公式，其中*代表卷積操作，Kj為卷積核，bj為偏置項，f表示激活函數(shù)。池化層：實現(xiàn)降低維度，將數(shù)據進一步壓縮，分為平均池化Mean Pooling（取區(qū)域內平均值）和最大池化Max Pooling（取區(qū)域內最大值）。選擇最大池化，對上層的輸出結果進行池化操作，即取卷積核對應范圍的最大值，輸出為Zj= max。全連接層：匯總組合特征信息，對池化層的輸出進行拼接，可以表示為Z=Z1⊕Z2⊕ … ⊕Zn，通過全連接層，最終將圖書館資源的隱式特征可表示為y=f，其中W為全連接層的權值矩陣，b為偏置項。同理，也可以生成讀者的隱式特征表示。

3.3 推薦結果輸出層

推薦結果輸出層是根據深度學習模型層生成的讀者與資源的隱式特征，通過相似性計算、內積、Softmax等方法，最終產生圖書館資源推薦結果。數(shù)據輸入層的讀者屬性數(shù)據和讀者行為數(shù)據等經過深度學習模型層提取出讀者的隱式特征表示，圖書館資源屬性數(shù)據經過深度學習模型層提取出圖書館資源的隱式特征表示，然后基于隱式特征表示，計算讀者和圖書館資源的相似性或關聯(lián)度，相似性計算方法包括皮爾遜相關系數(shù)、余弦相似性和修正的余弦相似性等方法，對圖書館資源按照相似性大小從高至低進行排序，最終選取前N個圖書館資源推薦給讀者。

4.結語

隨著人工智能技術的快速發(fā)展，基于深度學習的圖書館資源個性化推薦系統(tǒng)為解決信息過載問題和提升圖書館資源利用率提供了新的研究思路和發(fā)展方向。文章內容分為三個部分：第一，介紹了基于關聯(lián)規(guī)則的圖書館資源推薦、基于內容的圖書館資源推薦、基于協(xié)同過濾的圖書館資源推薦等常見的圖書館資源推薦方法，提出了常見的圖書館資源推薦無法深層次的挖掘讀者和資源的隱式特征，進一步限制了推薦準確性等問題；第二，在此基礎上，將深度學習技術引入至圖書館資源推薦系統(tǒng)中，不僅減少了人工特征設計負擔，而且可以挖掘讀者和資源的深層次隱式特征，從而提高圖書館資源推薦的準確性；第三，構建了基于深度學習的圖書館資源推薦框架，主要包含數(shù)據輸入層、深度學習模型層和推薦結果輸出層,在大數(shù)據背景下，為讀者提供更為精確的圖書館資源推薦服務提供參考。