個(gè)性化館藏資源推薦技術(shù)在公共圖書館中的適用性分析

胡 清

(青島市圖書館，山東 青島 266000)

1 引 言

個(gè)性化館藏資源推薦是指根據(jù)用戶的行為習(xí)慣、個(gè)性特點(diǎn)以及特定需求，通過語(yǔ)義匹配、協(xié)同過濾等技術(shù)自動(dòng)將館藏資源推送給潛在讀者用戶的過程。個(gè)性化館藏資源推薦是圖書館傳統(tǒng)信息檢索發(fā)展演化的新形式，是圖書館從被動(dòng)服務(wù)向主動(dòng)服務(wù)轉(zhuǎn)型的標(biāo)志性技術(shù)之一。早在1999年，美國(guó)圖書館信息技術(shù)協(xié)會(huì)(LITA)的10位著名的數(shù)字圖書館專家就把個(gè)性化定制服務(wù)列為數(shù)字圖書館技術(shù)發(fā)展的七大趨勢(shì)之首。進(jìn)入21世紀(jì)，大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等新一代信息技術(shù)蓬勃發(fā)展，用戶對(duì)信息的需求、傳遞、交流、獲取發(fā)生本質(zhì)變化，多元化、知識(shí)化、專業(yè)化、個(gè)性化成為信息需求新的主要特征。同時(shí)，資源過載、資源長(zhǎng)尾現(xiàn)象、館藏資源利用率低等問題更加突出，傳統(tǒng)信息檢索已無(wú)法滿足用戶對(duì)信息獲取的迫切需求，這進(jìn)一步加強(qiáng)了用戶對(duì)館藏資源個(gè)性化推薦的需求。根據(jù)郭婧婧等、李民等對(duì)個(gè)性化館藏資源推薦的必要性與滿意度調(diào)研結(jié)果顯示，從需求角度來(lái)看，71%的高校圖書館認(rèn)為開展個(gè)性化館藏資源推薦具有必要性，而公共圖書館需求更高，有91%的參調(diào)人員認(rèn)為個(gè)性化推薦具有必要性。從滿意度來(lái)看，有61%的高校圖書館參調(diào)人員與23%的公共圖書館參調(diào)人員認(rèn)為個(gè)性化館藏資源推薦未達(dá)到用戶預(yù)期(見表1)。

表1 個(gè)性化館藏資源推薦的必要性與滿意度分析

個(gè)性化館藏資源推薦自提出后便受到了廣泛的關(guān)注，學(xué)界圍繞個(gè)性化館藏資源推薦在圖書館應(yīng)用的理論、技術(shù)以及實(shí)踐等方面開展了豐富的研究，隨著深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、自然語(yǔ)言處理以及圖理論等相關(guān)研究的深入，個(gè)性化館藏資源推薦算法逐漸突破了基于內(nèi)容、協(xié)同過濾等傳統(tǒng)的算法思路，引入了本體、環(huán)境捕捉、位置感知等技術(shù)，大大提高了推薦的準(zhǔn)確度、多樣性、新鮮度等關(guān)鍵指標(biāo)。然而，目前絕大多數(shù)研究聚焦于較少區(qū)分高校圖書館與公共圖書館在推薦需求方面的差異，而在算法的設(shè)計(jì)與技術(shù)指標(biāo)的選擇上并未充分考慮公共圖書館與高校圖書館在數(shù)據(jù)特征、讀者特征方面的特殊性。

公共圖書館在數(shù)據(jù)基礎(chǔ)、推薦受眾、推薦內(nèi)容以及推薦需求等方面與高校圖書館存在一定程度的客觀差異，影響著推薦算法的選擇。一方面，相較于高校圖書館，公共圖書館的服務(wù)對(duì)象較廣泛，用戶數(shù)量龐大，但受限于圖書館數(shù)字化水平與數(shù)據(jù)收集策略，用戶建模的基礎(chǔ)數(shù)據(jù)較少，冷啟動(dòng)和數(shù)據(jù)稀疏的問題更加突出；另一方面，公共圖書館與高校圖書館的社會(huì)功能定位不同，導(dǎo)致推薦的館藏結(jié)構(gòu)和內(nèi)容等存在較大差異，如在藏書結(jié)構(gòu)方面，公共圖書館注重館藏資源的普適性，而高校圖書館則注重專業(yè)數(shù)字資源建設(shè)，在推薦算法的選擇上要依據(jù)數(shù)據(jù)差異進(jìn)行有針對(duì)性的選擇。

為此，本研究在分析公共圖書館在數(shù)據(jù)基礎(chǔ)、推薦受眾、館藏結(jié)構(gòu)、推薦需求等方面特殊性的基礎(chǔ)上，對(duì)個(gè)性化館藏資源推薦技術(shù)在公共圖書館中的技術(shù)適用性進(jìn)行分析討論。首先總結(jié)圖書館開展個(gè)性化資源推薦現(xiàn)狀研究，厘清主流的推薦技術(shù)以及其適用范圍與優(yōu)缺點(diǎn)；然后討論公共圖書館資源推薦需求，著重分析公共圖書館與高校圖書館在數(shù)據(jù)基礎(chǔ)、推薦受眾、推薦內(nèi)容以及推薦算法需求等方面的具體差異；最后分析個(gè)性化館藏資源推薦技術(shù)的技術(shù)適用性，提出技術(shù)選擇建議(見圖1)。

圖1 研究思路圖示

2 圖書館開展個(gè)性化館藏資源推薦現(xiàn)狀研究及典型算法特點(diǎn)分析

與傳統(tǒng)資源推薦相似，圖書館館藏資源推薦的研究主要集中在數(shù)據(jù)采集、館藏資源與用戶興趣特征提取、推薦算法設(shè)計(jì)3個(gè)方面，擬解決的問題主要有冷啟動(dòng)、數(shù)據(jù)稀疏以及推薦結(jié)果相關(guān)性、權(quán)威度、新鮮度等關(guān)鍵指標(biāo)計(jì)算等方面，技術(shù)手段主要有基于內(nèi)容的推薦方法、協(xié)同過濾的推薦方法和混合推薦方法，具體研究進(jìn)展如下。

2.1 基于內(nèi)容的推薦方法

基于內(nèi)容的推薦方法是指根據(jù)用戶查閱過的館藏資源，將其他相似的館藏資源推薦給讀者用戶，最早提出并應(yīng)用的基于規(guī)則的推薦算法便屬于該類算法的一種。此類方法主要借鑒圖書館信息檢索系統(tǒng)的理念，以讀者興趣與待推薦資源的相關(guān)性作為主要的推薦依據(jù)。例如，鄭祥云等提出一種基于主題模型的個(gè)性化圖書推薦算法，在主題模型LDA的基礎(chǔ)上進(jìn)行適應(yīng)性改造，提出BR_LDA算法，依據(jù)讀者的歷史借閱記錄與待推薦資源的語(yǔ)義相似度來(lái)獲得推薦結(jié)果。高晟等提出一種基于關(guān)聯(lián)規(guī)則與貝葉斯網(wǎng)絡(luò)的高校圖書館個(gè)性化圖書推薦方法，綜合了學(xué)科、興趣、需求等特征遴選館藏資源。王剛提出一種融合用戶行為分析和興趣序列相似性的個(gè)性化推薦方法，融入時(shí)間特征、相關(guān)性以及興趣序列等特征，綜合多維度特征開展推薦工作。

2.2 基于協(xié)同過濾的推薦方法

基于協(xié)同過濾的推薦方法是從圖書館用戶的角度出發(fā)，根據(jù)與該用戶相似用戶間興趣偏好來(lái)定義被推薦對(duì)象的用戶偏好。例如，程秀峰對(duì)傳統(tǒng)協(xié)同過濾的推薦算法進(jìn)行改造，提出一種融入樸素貝葉斯算法與情景的協(xié)同推薦算法，使推薦準(zhǔn)確率有一定的提升。盛先鋒提出一種基于聚類優(yōu)化的數(shù)字圖書館協(xié)同過濾個(gè)性化推薦方法，在協(xié)同過濾前利用聚類算法初步數(shù)據(jù)填充與經(jīng)驗(yàn)積累，在一定程度上緩解了數(shù)據(jù)稀疏的問題，提高了協(xié)同過濾的準(zhǔn)確性。田磊提出一種基于聚類優(yōu)化的協(xié)同過濾個(gè)性化圖書推薦方法，利用改進(jìn)的K-means算法對(duì)用戶偏好進(jìn)行提前分析，然后通過用戶借閱偏好性矩陣實(shí)現(xiàn)基于協(xié)同過濾的推薦。基于協(xié)同過濾的推薦方法可以在一定程度上解決數(shù)據(jù)稀疏、冷啟動(dòng)的問題。

2.3 混合推薦方法

混合推薦方法是一種組合式的推薦方法，旨在對(duì)待推薦文獻(xiàn)與用戶興趣的多維特征進(jìn)行深度探析。該類方法能克服上述兩種推薦方法的弱點(diǎn)，同時(shí)綜合了效用、知識(shí)、動(dòng)態(tài)特征、環(huán)境特征等維度開展資源推薦。例如，劉曉艷提出一種融合情境感知的移動(dòng)圖書館個(gè)性化推薦技術(shù)方法，假設(shè)用戶所處的位置不同所需要的資源也不同，從而依據(jù)情境環(huán)境來(lái)預(yù)測(cè)讀者偏好信息。黃濤提出一種地方志資源的混合推薦模型，基于協(xié)同過濾技術(shù)，改進(jìn)TopN和關(guān)聯(lián)規(guī)則算法，解決了數(shù)據(jù)稀疏、內(nèi)容特征提取難度大、新用戶推薦冷啟動(dòng)等問題。鐘克吟提出一種基于混合推薦的學(xué)術(shù)資源推薦系統(tǒng)，可以從瀏覽行為、關(guān)聯(lián)數(shù)據(jù)、搜索習(xí)慣等多維度進(jìn)行特征提取，采用基于內(nèi)容、規(guī)則的方法構(gòu)建用戶需求庫(kù)。

2.4 小結(jié)

隨著各研究學(xué)者對(duì)技術(shù)的深耕，研究重點(diǎn)由理論研究轉(zhuǎn)向技術(shù)研究，特別是深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、自然語(yǔ)言處理以及圖理論的進(jìn)一步豐富，個(gè)性化館藏資源推薦算法逐漸突破了基于內(nèi)容、協(xié)同過濾等傳統(tǒng)的算法思路，引入了本體、環(huán)境捕捉、位置感知等技術(shù)，大大提高了推薦的準(zhǔn)確度、多樣性、新鮮度等關(guān)鍵指標(biāo)。目前，常見個(gè)性化館藏資源推薦的主流技術(shù)的優(yōu)缺點(diǎn)如表2所示。但目前相關(guān)研究主要存在以下問題：1)絕大多數(shù)研究聚焦于未區(qū)分公共圖書館與高校圖書館的區(qū)別，在算法的設(shè)計(jì)與技術(shù)指標(biāo)的選擇上未充分考慮公共圖書館的在數(shù)據(jù)特征、讀者特征方面的特殊性。2)技術(shù)維度較單一，仍然局限于對(duì)單個(gè)技術(shù)的應(yīng)用，未考慮公共圖書館數(shù)據(jù)源復(fù)雜，系統(tǒng)異構(gòu)、數(shù)據(jù)交叉等基礎(chǔ)性問題，影響用戶興趣的建模與推薦質(zhì)量。

表2 常見個(gè)性化館藏資源推薦技術(shù)的優(yōu)缺點(diǎn)分析

3 公共圖書館與高校圖書館在個(gè)性化館藏資源推薦方面的差異分析

公共圖書館與高校圖書館在功能定位上存在客觀差異，個(gè)性化館藏資源推薦技術(shù)的選擇需要根據(jù)各自的特點(diǎn)而有所不同。高校圖書館主要為在校大學(xué)生學(xué)習(xí)專業(yè)知識(shí)以及教師開展教學(xué)科研提供資源服務(wù)，而公共圖書館主要為社會(huì)公眾提供免費(fèi)服務(wù)，承擔(dān)大眾服務(wù)、文化引導(dǎo)的責(zé)任，故二者在館藏資源、服務(wù)對(duì)象、服務(wù)目標(biāo)、功能定位以及推薦需求等方面存在一些差別。高校圖書館與公共圖書館的差別主要體現(xiàn)在以下方面。

3.1 數(shù)據(jù)基礎(chǔ)不同

圖書館收集的數(shù)據(jù)是用戶真實(shí)需求和興趣建模的基礎(chǔ)，是后續(xù)算法設(shè)計(jì)的保障與依據(jù)。相較于高校圖書館，公共圖書館用戶數(shù)據(jù)量大，且更新相對(duì)頻繁，但用戶關(guān)鍵屬性數(shù)據(jù)較少，存在數(shù)據(jù)稀疏與冷啟動(dòng)的問題。主要表現(xiàn)在以下方面：1)從用戶個(gè)體數(shù)據(jù)來(lái)看，高校圖書館憑借校園卡以及學(xué)號(hào)使用圖書館資源服務(wù)，校園卡與學(xué)號(hào)通常會(huì)關(guān)聯(lián)較為豐富的個(gè)體關(guān)鍵屬性數(shù)據(jù)，如學(xué)院、專業(yè)、性別、年齡、年級(jí)、發(fā)表論文等，為用戶興趣的建模提供了必要的數(shù)據(jù)源，能在一定程度上解決推薦冷啟動(dòng)的問題，而公共圖書館較難掌握例如專業(yè)、論文發(fā)表等數(shù)據(jù)。2)從用戶規(guī)模上來(lái)看，高校圖書館服務(wù)對(duì)象為在校大學(xué)生以及教職員工，用戶數(shù)量較少且較為穩(wěn)定，用戶數(shù)據(jù)更新慢。而公共圖書館尤其是省市級(jí)公共圖書館面對(duì)的讀者數(shù)量眾多，部分大城市公共圖書館用戶量達(dá)到百萬(wàn)級(jí)甚至千萬(wàn)級(jí)，且用戶數(shù)據(jù)更新頻繁。3)從用戶參與度角度來(lái)看，高校圖書館是獲取學(xué)術(shù)資源的主要途徑，在校師生對(duì)其依賴性強(qiáng)，訪問比較頻繁，由于用戶參與較多，高校圖書館獲取用戶痕跡數(shù)據(jù)較容易。而用戶去公共圖書館借閱的頻次較少，參與程度較低，公共圖書館很難依靠訪問痕跡與瀏覽記錄真正了解、掌握和預(yù)測(cè)他們?cè)陂喿x方面的真實(shí)需求。

3.2 推薦受眾不同

推薦受眾是推薦算法服務(wù)的主要對(duì)象，分析推薦受眾的分布特點(diǎn)、文化層次以及關(guān)注點(diǎn)有助于推薦算法參數(shù)、特征的選擇。高校圖書館主要為在校師生提供科研、教學(xué)的基礎(chǔ)資源服務(wù)，而公共圖書館的服務(wù)對(duì)象比較廣泛，涉及各類職業(yè)、各種文化層次的讀者。在推薦受眾上，主要有兩點(diǎn)差異影響推薦算法的選擇。1)職業(yè)不同。推薦人群的職業(yè)不同，所關(guān)注的推薦點(diǎn)也不同。高校圖書館面向人群主要為在校大學(xué)生與教職員工，成分比較單一，專業(yè)較為具體，興趣需求易于掌握與分析。而公共圖書館面向人群更多樣，既有學(xué)術(shù)研究的需求，又存在愛好閱讀、休閑欣賞的需求，需求具多樣性、復(fù)雜性，較難捕捉與分析。2)知識(shí)層次不同。高校圖書館服務(wù)人群一般有教師、研究生、本科生等，而公共圖書館面向人群知識(shí)層次差異較大，關(guān)注點(diǎn)也不統(tǒng)一，對(duì)館藏文獻(xiàn)的需求也存在差別。

3.3 推薦內(nèi)容不同

推薦資源內(nèi)容結(jié)構(gòu)直接決定其語(yǔ)義建模與特征提取方式。因公共圖書館與高校圖書館兩者在功能定位、服務(wù)受眾等方面存在客觀差異，故二者在館藏結(jié)構(gòu)與館藏內(nèi)容上也存在一些區(qū)別。公共圖書館藏資源更注重資源的普適性，以科普類、休閑娛樂類、專業(yè)文文獻(xiàn)為主，部分區(qū)域級(jí)公共圖書館在傳統(tǒng)資源建設(shè)的基礎(chǔ)上，館藏資源更強(qiáng)調(diào)本地特色，如典藏地方古籍文獻(xiàn)等；高校圖書館是學(xué)術(shù)性機(jī)構(gòu)，主要為高校教學(xué)、學(xué)術(shù)研究提供服務(wù)，在滿足在校大學(xué)生與教職員工公共閱讀需求的同時(shí)，更加強(qiáng)調(diào)館藏資源的專業(yè)性。因此，在待推薦文獻(xiàn)的語(yǔ)義提取、主題挖掘方面有不一樣的選擇。

3.4 推薦算法要求指標(biāo)不同

一般來(lái)說(shuō)，考核推薦系統(tǒng)的主要指標(biāo)有相關(guān)性、權(quán)威度、新穎度、啟發(fā)性、長(zhǎng)尾資源挖掘能力、主題多樣性等。其中，相關(guān)性是主要的考核指標(biāo)，一般指推薦資源與用戶興趣的直接匹配度，是考核推薦算法最基本的指標(biāo)，公共圖書館與高校圖書館均對(duì)此要求較高。權(quán)威度是指推薦結(jié)果的知名度與影響力，高校圖書館以推薦文獻(xiàn)資源為主，且用戶較為專業(yè)，故對(duì)推薦資源的權(quán)威度與啟發(fā)性要求較高。公共圖書館資源結(jié)構(gòu)以科普文獻(xiàn)、休閑娛樂文獻(xiàn)、專業(yè)文獻(xiàn)、地方特色文獻(xiàn)為主，普及性、普適性、區(qū)域特色性較強(qiáng)，且用戶層次較為廣泛，故在保證資源準(zhǔn)確性的基礎(chǔ)上，對(duì)推薦結(jié)果的權(quán)威度要較低，對(duì)新穎性、主題多樣性以及部分長(zhǎng)尾資源挖掘能力要求較高(見表3)。

表3 公共圖書館與高校圖書館推薦算法要求指標(biāo)的差異

4 公共圖書館個(gè)性化館藏資源推薦技術(shù)適用性分析與應(yīng)用建議

結(jié)合公共圖書館在數(shù)據(jù)基礎(chǔ)、推薦受眾、資源結(jié)構(gòu)等方面的特點(diǎn)，本研究從數(shù)據(jù)采集與預(yù)處理、特征提取、算法設(shè)計(jì)3個(gè)方面討論個(gè)性化館藏資源推薦技術(shù)的適用性。

4.1 數(shù)據(jù)采集與預(yù)處理

源數(shù)據(jù)是讀者用戶興趣和需求建模的基礎(chǔ)。受限于數(shù)字化水平、服務(wù)機(jī)制、用戶參與度，公共圖書館存在不同程度的用戶數(shù)據(jù)單一、數(shù)據(jù)稀疏、數(shù)據(jù)零散、數(shù)據(jù)痕跡單薄等問題，導(dǎo)致冷啟動(dòng)、長(zhǎng)尾資源等現(xiàn)象較為普遍，但公共圖書館用戶規(guī)模數(shù)據(jù)大，存在數(shù)據(jù)的規(guī)模優(yōu)勢(shì)。

在數(shù)據(jù)采集與數(shù)據(jù)預(yù)處理算法的選擇方面，公共圖書館應(yīng)注重對(duì)數(shù)據(jù)融合算法、聚類算法(預(yù)測(cè)算法)的應(yīng)用，解決冷啟動(dòng)與數(shù)據(jù)稀疏的問題。主要有：1)數(shù)據(jù)融合。公共圖書館僅僅依賴于靜態(tài)資源只能開展一般性的推薦，如利用點(diǎn)擊量進(jìn)行熱門數(shù)字資源的推薦；依靠訪問痕跡進(jìn)行同類資源的推薦，導(dǎo)致在個(gè)性化、長(zhǎng)尾資源挖掘、推薦結(jié)果新鮮度等方面表現(xiàn)較弱。因此，在資源推薦過程中，公共圖書館應(yīng)利用外部環(huán)境數(shù)據(jù)，對(duì)用戶興趣進(jìn)行預(yù)測(cè)，主要包括外部熱門數(shù)據(jù)、館外閱讀熱點(diǎn)、場(chǎng)景數(shù)據(jù)等，同時(shí)與其他單位如高校圖書館、學(xué)術(shù)資源數(shù)據(jù)庫(kù)等開放接口對(duì)接，主動(dòng)分析讀者的需求與興趣的變化，并作為前置經(jīng)驗(yàn)嵌入模型中。此外，還應(yīng)加強(qiáng)對(duì)質(zhì)量數(shù)據(jù)的挖掘，利用爬蟲程序爬取相關(guān)圖書的評(píng)論數(shù)據(jù)，對(duì)館藏圖書資源進(jìn)行評(píng)價(jià)，利用內(nèi)外部評(píng)論數(shù)據(jù)、訪問量數(shù)據(jù)對(duì)資源進(jìn)行客觀評(píng)價(jià)，用于矯正推薦結(jié)果。2)聚類算法。對(duì)大城市公共圖書館來(lái)說(shuō)用戶通常為百萬(wàn)級(jí)甚至千萬(wàn)級(jí)的，用戶量大，且用戶數(shù)據(jù)更新頻繁。公共圖書館應(yīng)加強(qiáng)K-means、基于密度的聚類方法、凝聚層次聚類等算法，對(duì)部分稀疏的數(shù)據(jù)進(jìn)行必要字段的填充與預(yù)測(cè)，豐富建模的基礎(chǔ)數(shù)據(jù)，避免空數(shù)據(jù)。

4.2 特征提取

特征提取分為館藏資源的特征提取與讀者興趣的特征提取。公共圖書館個(gè)性化館藏資源推薦存在受眾廣、推薦內(nèi)容多樣、讀者層次差異大等問題。公共圖書館在館藏結(jié)構(gòu)方面更注重資源的普及性與普適性，在推薦結(jié)果方面更注重推薦主題多樣性，在算法的選擇上應(yīng)注重對(duì)文獻(xiàn)資源主題的提取，且注重多維度主題的挖掘。一是主題提取應(yīng)利用多維主題挖掘模型——LDA，該模型可深度挖掘文獻(xiàn)潛在的多個(gè)研究主題并計(jì)算出其中與用戶需求相近的主題，實(shí)現(xiàn)對(duì)用戶興趣的延展。二是質(zhì)量特征可利用內(nèi)網(wǎng)外網(wǎng)兩個(gè)來(lái)源的評(píng)論數(shù)據(jù)與情感傾向數(shù)據(jù)，對(duì)館藏資源的質(zhì)量進(jìn)行評(píng)級(jí)，推薦質(zhì)量高的館藏資源。

4.3 算法設(shè)計(jì)

基于內(nèi)容的推薦方法依靠文獻(xiàn)資源與用戶興趣的語(yǔ)義相關(guān)性進(jìn)行推薦，推薦結(jié)果具有較強(qiáng)的可解釋性，推薦結(jié)果比較直觀，不需要先驗(yàn)知識(shí)，但存在冷啟動(dòng)、數(shù)據(jù)稀疏的問題，對(duì)新用戶的推薦效果不太理想。采用熱門資源推薦可解決冷啟動(dòng)問題，但其弊端是過于普適性和大眾化，缺乏個(gè)性化與針對(duì)性，無(wú)法達(dá)到理想的效果。同時(shí)，圖書館用戶和館藏資源通常具有多個(gè)屬性，對(duì)于復(fù)雜屬性的情況而言，基于內(nèi)容的推薦方法效果不佳。相較于基于內(nèi)容的推薦方法來(lái)看，基于協(xié)同過濾的推薦方法其推薦結(jié)果具有新鮮感，主題分散且多樣，不需要先驗(yàn)知識(shí)來(lái)對(duì)算法進(jìn)行提前干預(yù)，較適用于館藏資源這樣的結(jié)構(gòu)化數(shù)據(jù)，但該算法的推薦質(zhì)量過于依賴歷史數(shù)據(jù)，推薦結(jié)果的質(zhì)量需要不斷依賴反饋修正才能達(dá)到預(yù)期效果。混合推薦方法因集成了基于內(nèi)容與基于協(xié)同過濾兩種推薦方法的優(yōu)缺點(diǎn)，并融入了地理位置、上下文等情景因素，故該類算法能夠很好地克服其他推薦算法的缺點(diǎn)，但不足是通常需要較大的計(jì)算能力作支撐。同時(shí)，該方法因融合了多種特征與因素，推薦計(jì)算時(shí)間較長(zhǎng)，推薦結(jié)果較難解釋。

基于對(duì)數(shù)據(jù)的采集與預(yù)處理，結(jié)合對(duì)館藏資源與用戶興趣的特征提取，綜合利用基于內(nèi)容的推薦方法、基于協(xié)同過濾的推薦方法、基于混合推薦方法的思想，采用加權(quán)的方式，整合相關(guān)性、多樣性、新鮮度、文獻(xiàn)質(zhì)量等特征，篩選出符合用戶需求的館藏資源。同時(shí)，根據(jù)用戶對(duì)推薦資源的點(diǎn)擊量、閱讀時(shí)長(zhǎng)等指標(biāo)進(jìn)行數(shù)據(jù)反饋，逐步調(diào)整各模型的權(quán)重，實(shí)現(xiàn)最優(yōu)的推薦結(jié)果。