協(xié)同過(guò)濾技術(shù)在高校圖書(shū)館學(xué)術(shù)資源個(gè)性化推薦服務(wù)中的應(yīng)用研究★

張立濱

(遼寧大學(xué)圖書(shū)館 遼寧沈陽(yáng) 110036)

協(xié)同過(guò)濾技術(shù)在高校圖書(shū)館學(xué)術(shù)資源個(gè)性化推薦服務(wù)中的應(yīng)用研究★

張立濱

(遼寧大學(xué)圖書(shū)館 遼寧沈陽(yáng) 110036)

個(gè)性化信息服務(wù)是未來(lái)圖書(shū)館信息服務(wù)的發(fā)展方向。在分析已有的個(gè)性化信息服務(wù)應(yīng)用系統(tǒng)基礎(chǔ)上，構(gòu)建了基于協(xié)同過(guò)濾技術(shù)的高校圖書(shū)館學(xué)術(shù)資源個(gè)性化推薦系統(tǒng)理論模型，通過(guò)對(duì)用戶信息的表示與獲取、鄰集的形成及推薦信息的產(chǎn)生等方面介紹了推薦系統(tǒng)的實(shí)現(xiàn)。協(xié)同過(guò)濾技術(shù)的應(yīng)用能夠提高高校圖書(shū)館學(xué)術(shù)資源個(gè)性化推薦服務(wù)的精度和效率。

協(xié)同過(guò)濾技術(shù)；高校圖書(shū)館；學(xué)術(shù)資源；個(gè)性化推薦

隨著現(xiàn)代信息的多元化和高校圖書(shū)館的進(jìn)一步發(fā)展，高校圖書(shū)館館藏資源日益豐富，用戶可在其中找到任何自己需要的資源。高校圖書(shū)館豐富的館藏資源滿足了廣大用戶的需要，同時(shí)也為進(jìn)一步提高高校師生的整體素質(zhì)提供幫助。然而，豐富的館藏資源會(huì)導(dǎo)致信息檢索步驟較為繁瑣，讀者需要輸入多個(gè)關(guān)鍵詞才能確定自己想要檢索的信息。目前，一些高校圖書(shū)館開(kāi)通了信息推送功能，圖書(shū)館信息服務(wù)系統(tǒng)根據(jù)用戶的點(diǎn)擊熱點(diǎn)、檢索習(xí)慣、個(gè)人愛(ài)好等向用戶推送相關(guān)信息。信息推送的主要方式有兩種，一是系統(tǒng)向用戶推薦點(diǎn)擊率排在前列的資源。用戶在圖書(shū)館中的操作會(huì)被系統(tǒng)自動(dòng)記錄下來(lái)，系統(tǒng)會(huì)自動(dòng)根據(jù)資源點(diǎn)擊率將圖書(shū)館資源進(jìn)行排列，區(qū)分出熱門資源和非熱門資源。二是系統(tǒng)向用戶推薦圖書(shū)館最新資源。高校圖書(shū)館資源的更新速度日益加快，新的熱門資源逐漸被高校圖書(shū)館引入。在用戶對(duì)高校圖書(shū)館系統(tǒng)進(jìn)行訪問(wèn)時(shí)，系統(tǒng)會(huì)自動(dòng)將最近更新的資源向用戶進(jìn)行推薦，使得用戶能及時(shí)掌握?qǐng)D書(shū)館更新的內(nèi)容。但是，通過(guò)對(duì)當(dāng)前高校圖書(shū)館管理系統(tǒng)資源推薦方式的分析，發(fā)現(xiàn)目前高校圖書(shū)館信息服務(wù)系統(tǒng)面向用戶的資源個(gè)性化推薦服務(wù)還不完善。針對(duì)上述問(wèn)題，本文建立了一個(gè)基于協(xié)同過(guò)濾技術(shù)的高校圖書(shū)館學(xué)術(shù)資源個(gè)性化推薦模型，以提高圖書(shū)館信息服務(wù)系統(tǒng)資源個(gè)性化推薦服務(wù)效率。

1 個(gè)性化推薦服務(wù)概述

個(gè)性化推薦服務(wù)主要是指系統(tǒng)在分析用戶喜好、職業(yè)、常檢索資源類型等的基礎(chǔ)上，總結(jié)出符合用戶需求的信息，將系統(tǒng)中滿足該信息的資源向用戶進(jìn)行推薦[1]。個(gè)性化推薦服務(wù)可以實(shí)現(xiàn)用戶間經(jīng)驗(yàn)共享，即對(duì)同類型用戶需求習(xí)慣信息進(jìn)行融合，以期整理出滿足此類用戶信息的數(shù)據(jù)資源。個(gè)性化推薦模塊的工作原理為：系統(tǒng)對(duì)用戶訪問(wèn)過(guò)的信息資源進(jìn)行分類總結(jié)，建立用戶信息資源偏好模型；根據(jù)該模型，系統(tǒng)在信息資源庫(kù)中查找與此匹配的信息資源，根據(jù)特定的算法生成信息資源推薦內(nèi)容；將信息資源推薦內(nèi)容向用戶進(jìn)行推薦[2]。個(gè)性化推薦服務(wù)算法主要分為三種：基于關(guān)聯(lián)規(guī)則的個(gè)性化推薦、基于內(nèi)容過(guò)濾的個(gè)性化推薦和基于協(xié)同過(guò)濾的個(gè)性化推薦。

1.1 基于關(guān)聯(lián)規(guī)則的個(gè)性化推薦

基于關(guān)聯(lián)規(guī)則的個(gè)性化推薦系統(tǒng)主要是根據(jù)用戶的使用習(xí)慣、人的思維習(xí)慣、信息資源的關(guān)聯(lián)性等一般規(guī)則，制定出一種通用的信息資源篩選規(guī)則[3]。當(dāng)用戶登錄系統(tǒng)后，系統(tǒng)將按照該規(guī)則對(duì)信息資源進(jìn)行比對(duì)，并將比對(duì)結(jié)果向用戶推薦。例如，對(duì)于一位正在進(jìn)行本體知識(shí)庫(kù)技術(shù)學(xué)習(xí)的用戶來(lái)講，當(dāng)他登錄系統(tǒng)并開(kāi)展本體知識(shí)庫(kù)信息檢索時(shí)，系統(tǒng)會(huì)自動(dòng)向他推薦與本體知識(shí)庫(kù)相關(guān)的信息資源，如數(shù)據(jù)庫(kù)應(yīng)用技術(shù)、本體知識(shí)應(yīng)用等信息。

基于關(guān)聯(lián)規(guī)則的個(gè)性化推薦主要存在兩個(gè)方面的不足。首先，這種關(guān)聯(lián)規(guī)則是無(wú)法自動(dòng)生成的，每次更新都需要系統(tǒng)管理人員手動(dòng)更新。對(duì)于那些過(guò)時(shí)的關(guān)聯(lián)規(guī)則也需要系統(tǒng)管理人員進(jìn)行手動(dòng)刪除或者修改，管理人員工作量較大，關(guān)聯(lián)的精確度不高[4]。其次，在向用戶進(jìn)行信息資源推薦時(shí)所依據(jù)的規(guī)則是之前管理人員制定好的，不能隨著用戶每次檢索信息內(nèi)容的調(diào)整而變化，這就導(dǎo)致推薦的信息資源不能很好的滿足用戶的需求，同時(shí)不能很好的發(fā)現(xiàn)用戶潛在的關(guān)注點(diǎn)[5]。

1.2 基于內(nèi)容過(guò)濾的個(gè)性化推薦

內(nèi)容過(guò)濾技術(shù)是信息處理技術(shù)中最基本的一種方法，之后被應(yīng)用于個(gè)性化推薦服務(wù)中。基于內(nèi)容過(guò)濾的個(gè)性化推薦主要是通過(guò)機(jī)器學(xué)習(xí)、概率統(tǒng)計(jì)等技術(shù)實(shí)現(xiàn)內(nèi)容過(guò)濾[6]。首先，系統(tǒng)會(huì)根據(jù)用戶的喜好生成一個(gè)用戶信息需求向量，同時(shí)系統(tǒng)會(huì)對(duì)所有文字資源建立分詞標(biāo)引、詞頻統(tǒng)計(jì)等加權(quán)信息，并生成文本資源向量。其次，系統(tǒng)根據(jù)用戶信息需求向量和文本資源向量的相似度對(duì)比結(jié)果，將相似度高的文本資源向用戶進(jìn)行推薦。

基于內(nèi)容過(guò)濾的個(gè)性化推薦可對(duì)文本資源建立向量，而對(duì)于多媒體資源，如視頻、動(dòng)畫(huà)等資源，雖然可以建立簡(jiǎn)單的資源向量，但是所建立的資源向量所表示的內(nèi)容和實(shí)際資源內(nèi)容差別較大，不能很好的反映資源的內(nèi)容。目前，常見(jiàn)的數(shù)字資源內(nèi)容豐富多樣，不僅有文本資源，還有動(dòng)畫(huà)、視頻、音頻等資源。由此可知，基于內(nèi)容過(guò)濾的個(gè)性化推薦存在一定的局限性，不能很好的實(shí)現(xiàn)數(shù)字信息資源個(gè)性化推薦服務(wù)。

1.3 基于協(xié)同過(guò)濾的個(gè)性化推薦

與基于關(guān)聯(lián)規(guī)則的個(gè)性化推薦和基于內(nèi)容過(guò)濾的個(gè)性化推薦兩種技術(shù)不同，基于協(xié)同過(guò)濾的個(gè)性化推薦是在對(duì)資源內(nèi)容進(jìn)行分析計(jì)算和與用戶需求資源進(jìn)行匹配的基礎(chǔ)上為用戶進(jìn)行推薦的一種技術(shù)。采用該技術(shù)進(jìn)行個(gè)性化推薦的依據(jù)是每個(gè)用戶對(duì)所屬資源的評(píng)分。采用協(xié)同過(guò)濾技術(shù)進(jìn)行推薦時(shí)，首先會(huì)對(duì)用戶的所有特性進(jìn)行分析，比如用戶的關(guān)注內(nèi)容、職業(yè)等信息，然后通過(guò)特定的相似性算法比較多個(gè)用戶間的相似性，找出與目標(biāo)用戶相似性比較高的多個(gè)用戶，最后根據(jù)用戶對(duì)資源的打分情況，將打分最高的多個(gè)資源向目標(biāo)用戶進(jìn)行推薦[7]。

該推薦技術(shù)主要有以下三個(gè)特點(diǎn)。一是使用范圍廣。與其他個(gè)性化推薦技術(shù)的不同之處在于該推薦技術(shù)所采用的算法中起決定作用的是用戶對(duì)資源的評(píng)分，而非資源的內(nèi)容或者資源的形式。這一特點(diǎn)使得該推薦技術(shù)不僅對(duì)文本資源適用，而多媒體資源，如視頻、動(dòng)畫(huà)、音頻等同樣也可以使用。二是有準(zhǔn)確的推薦精度。該推薦技術(shù)是建立在用戶對(duì)資源的評(píng)分上，如果一種資源得分較高，說(shuō)明用戶對(duì)該資源的滿意度較高，根據(jù)該推薦技術(shù)，將評(píng)分較高的資源推薦給目標(biāo)用戶，使得推薦結(jié)果能更好的被目標(biāo)用戶接受[8]。三是可以將優(yōu)勢(shì)資源進(jìn)行共享。該推薦技術(shù)是通過(guò)目標(biāo)用戶的相似用戶預(yù)測(cè)評(píng)分，這可以使得相似用戶之間可以彼此分享資源使用經(jīng)驗(yàn)，通過(guò)資源分享可以發(fā)現(xiàn)目標(biāo)用戶潛在的喜好，使得推薦更為有效。因此，協(xié)同過(guò)濾的個(gè)性化推薦能更準(zhǔn)確地找到用戶的喜好，實(shí)現(xiàn)用戶間經(jīng)驗(yàn)共享。

2 學(xué)術(shù)資源個(gè)性化推薦模型

前文我們對(duì)基于協(xié)同過(guò)濾的個(gè)性化推薦算法及工作原理進(jìn)行了分析，在此基礎(chǔ)上建立個(gè)性化推薦模型。該模型主要包括：基于協(xié)同過(guò)濾技術(shù)的推薦引擎、基于知識(shí)庫(kù)技術(shù)的數(shù)據(jù)支持和新進(jìn)資源的推薦等三個(gè)模塊組成，如圖1所示。

2.1 數(shù)據(jù)支持模塊

該模塊為整個(gè)學(xué)術(shù)資源個(gè)性化推薦服務(wù)系統(tǒng)的核心數(shù)據(jù)部分，它由多個(gè)數(shù)據(jù)庫(kù)構(gòu)成，其中包括：用戶信息庫(kù)、學(xué)習(xí)行為數(shù)據(jù)庫(kù)、學(xué)術(shù)信息資源庫(kù)及用戶評(píng)分?jǐn)?shù)據(jù)庫(kù)。

圖1 基于協(xié)同過(guò)濾的學(xué)術(shù)資源個(gè)性化推薦模型

(1)用戶信息庫(kù)。該數(shù)據(jù)庫(kù)主要用于存放用戶的基本信息和個(gè)人喜好信息。基本信息包括用戶姓名、密碼、賬號(hào)、電子郵箱、微信號(hào)、QQ號(hào)等信息；個(gè)人喜好信息包括用戶檢索頻率高的詞組、用戶瀏覽文獻(xiàn)的類別、用戶瀏覽的學(xué)科信息等。為了方便系統(tǒng)協(xié)同過(guò)濾推薦，對(duì)用戶個(gè)人喜好信息掌握的越多越好。

(2)學(xué)習(xí)行為數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)主要用于存放用戶的學(xué)習(xí)行為過(guò)程數(shù)據(jù)。通過(guò)對(duì)用戶在系統(tǒng)中的整個(gè)操作過(guò)程所產(chǎn)生軌跡信息及緩存信息進(jìn)行存儲(chǔ)，通過(guò)數(shù)據(jù)挖掘?qū)τ脩舻膶W(xué)習(xí)行為進(jìn)行歸類總結(jié)，得出用戶在使用圖書(shū)館學(xué)術(shù)資源數(shù)據(jù)的偏好，如用戶閱讀下載學(xué)術(shù)資源類型、收藏學(xué)術(shù)資源的學(xué)科等。該數(shù)據(jù)庫(kù)也是用戶評(píng)分模塊的數(shù)據(jù)來(lái)源。

(3)學(xué)術(shù)資源信息庫(kù)。該數(shù)據(jù)庫(kù)為整個(gè)學(xué)術(shù)資源的一個(gè)倉(cāng)庫(kù)，整個(gè)學(xué)術(shù)資源信息均存儲(chǔ)在該數(shù)據(jù)庫(kù)中，包括期刊信息、碩士博士論文信息、專家學(xué)者信息等。

(4)用戶評(píng)分?jǐn)?shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)主要用于存儲(chǔ)用戶對(duì)每個(gè)資源信息點(diǎn)擊瀏覽、下載的頻次，該頻次在一定程度上反映出學(xué)術(shù)資源信息的熱門程度。同時(shí)，該數(shù)據(jù)庫(kù)也為協(xié)同過(guò)濾算法提供有力支撐。

2.2 協(xié)同過(guò)濾個(gè)性化服務(wù)推薦引擎

協(xié)同過(guò)濾個(gè)性化服務(wù)推薦引擎是學(xué)術(shù)資源個(gè)性化推薦服務(wù)系統(tǒng)的大腦，是實(shí)現(xiàn)個(gè)性化推薦服務(wù)的技術(shù)支撐，具體實(shí)現(xiàn)流程如圖2所示。

2.3 新購(gòu)買學(xué)術(shù)資源的推薦

該模塊主要根據(jù)系統(tǒng)用戶的不同喜好，對(duì)新購(gòu)買資源進(jìn)行分類，在用戶訪問(wèn)系統(tǒng)時(shí)可以實(shí)現(xiàn)新購(gòu)買的學(xué)術(shù)資源進(jìn)行推薦。新購(gòu)買學(xué)術(shù)資源由于知道的用戶不多，很多資源處于閑置狀態(tài)，不能真正發(fā)揮新進(jìn)資源的作用，進(jìn)而造成資源的浪費(fèi)。該模塊根據(jù)用戶資源評(píng)分?jǐn)?shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行相似性判斷，然后按照特定的規(guī)則將新購(gòu)買的學(xué)術(shù)資源進(jìn)行分類推薦，以提高學(xué)術(shù)資源的利用率。

圖2 學(xué)術(shù)資源個(gè)性化推薦中推薦引擎的實(shí)現(xiàn)流程圖

3 學(xué)術(shù)資源個(gè)性化推薦服務(wù)系統(tǒng)的實(shí)現(xiàn)

3.1 推薦服務(wù)系統(tǒng)中用戶信息的獲取與表示

用戶信息數(shù)據(jù)主要包括：用戶注冊(cè)的基本信息、用戶學(xué)習(xí)數(shù)據(jù)信息和用戶行為數(shù)據(jù)信息。學(xué)術(shù)資源個(gè)性化推薦服務(wù)系統(tǒng)實(shí)現(xiàn)的關(guān)鍵環(huán)節(jié)是用戶行為數(shù)據(jù)的獲取，是學(xué)術(shù)資源個(gè)性化推薦的依據(jù)。用戶行為數(shù)據(jù)的獲取主要有顯式獲取和隱式獲取兩種。顯式獲取主要是指用戶通過(guò)對(duì)學(xué)術(shù)資源進(jìn)行打分或者點(diǎn)贊來(lái)獲取；隱式獲取主要是指系統(tǒng)通過(guò)對(duì)用戶學(xué)術(shù)資源的使用習(xí)慣、資源的獲取類型等進(jìn)行數(shù)據(jù)挖掘，得出用戶的需求和偏好。目前，系統(tǒng)常見(jiàn)的獲取方式為顯式獲取。隱式獲取需要在系統(tǒng)中植入數(shù)據(jù)挖掘模塊，同時(shí)建立該模塊與知識(shí)庫(kù)、顯式終端的聯(lián)系來(lái)實(shí)現(xiàn)。

3.2 協(xié)同過(guò)濾技術(shù)中鄰集的形成

通過(guò)使用協(xié)同過(guò)濾技術(shù)向系統(tǒng)登錄用戶進(jìn)行學(xué)術(shù)資源個(gè)性化推薦時(shí)，一個(gè)很重要的步驟就是建立用戶個(gè)性需求鄰集。鄰集指的是與目標(biāo)用戶有相同或者相似個(gè)人愛(ài)好的用戶群。在鄰集的形成過(guò)程中需要系統(tǒng)根據(jù)目標(biāo)用戶的數(shù)據(jù)輸入，按照特定的規(guī)則自動(dòng)分析數(shù)據(jù)庫(kù)中存有類似數(shù)據(jù)的數(shù)據(jù)集，然后進(jìn)行數(shù)據(jù)調(diào)用。目前常用的數(shù)據(jù)相似性分析方法有余弦相似性分析法、相關(guān)相似性分析法等，每個(gè)方法都有優(yōu)勢(shì)和劣勢(shì)。本系統(tǒng)在上述兩種方法分析的基礎(chǔ)上，將余弦相似性分析法和相關(guān)相似性分析法進(jìn)行了有機(jī)結(jié)合，在鄰集的形成過(guò)程中發(fā)揮這兩種方法的優(yōu)勢(shì)，規(guī)避其劣勢(shì)，保證鄰集形成的準(zhǔn)確性。

3.3 學(xué)術(shù)資源個(gè)性化推薦的產(chǎn)生

學(xué)術(shù)資源個(gè)性化推薦的產(chǎn)生是整個(gè)協(xié)同過(guò)濾技術(shù)的最后一個(gè)步驟。個(gè)性化推薦數(shù)據(jù)是在鄰集形成基礎(chǔ)上，通過(guò)比對(duì)相似性而得出的。不同的相似性有不同的得分，不同的得分體現(xiàn)學(xué)術(shù)資源的推薦質(zhì)量的優(yōu)劣。相似性高的鄰集會(huì)使預(yù)測(cè)結(jié)果更為準(zhǔn)確，相似性低的鄰集使得整個(gè)預(yù)測(cè)準(zhǔn)確性降低，甚至不符合用戶的需求。由此可知，在整個(gè)協(xié)同過(guò)濾技術(shù)的實(shí)現(xiàn)中，如何選擇鄰集是整個(gè)協(xié)同過(guò)濾結(jié)果的關(guān)鍵，需要精確設(shè)定比對(duì)規(guī)則，然后選擇合適的相似性分析方法。

4 結(jié)語(yǔ)

協(xié)同過(guò)濾技術(shù)最早產(chǎn)生于電子商務(wù)領(lǐng)域，一經(jīng)問(wèn)世便取得了很大的成功。本文將協(xié)同過(guò)濾技術(shù)引入到高校圖書(shū)館學(xué)術(shù)資源個(gè)性化推薦服務(wù)領(lǐng)域，使其能更好地為圖書(shū)館用戶提供便捷、高效的服務(wù)。但是系統(tǒng)仍存在不足之處，主要體現(xiàn)在：用戶學(xué)習(xí)興趣愛(ài)好是動(dòng)態(tài)變化的，這將對(duì)協(xié)同過(guò)濾技術(shù)中規(guī)則的制定提出了挑戰(zhàn)；用戶評(píng)分信息的顯示獲取給用戶的操作帶來(lái)不便，采用何種方式可以在避免用戶操作的同時(shí)又可直接獲取用戶評(píng)分信息值得深入研究。

[1]楊焱,孫鐵利,邱春艷.個(gè)性化推薦技術(shù)的研究[J].信息工程大學(xué)學(xué)報(bào),2005,6(2):84-87.

[2]趙艷霞.基于關(guān)聯(lián)規(guī)則的推薦系統(tǒng)再電子商務(wù)中的應(yīng)用[J].價(jià)值工程,2006,25(5):88-91.

[3]楊焱.基于項(xiàng)目聚類的協(xié)同過(guò)濾推薦算法的研究[D].長(zhǎng)春:東北師范大學(xué)，2005:19-32.

[4]曾艷,麥永浩.基于用戶評(píng)分的關(guān)聯(lián)規(guī)則挖掘協(xié)同推薦[J].計(jì)算機(jī)工程,2005,31(15):87-89.

[5]鄧先箴.基于關(guān)聯(lián)規(guī)則的推薦算法研究與應(yīng)用[D].上海:華東師范大學(xué),2009:13-45.

[6]王艷,景韶光,李雪耀，等.基于分類方法的內(nèi)容過(guò)濾推薦技術(shù)[J].情報(bào)技術(shù),2005,(8):59-62.

[7]曾春,邢春曉,周立柱.基于內(nèi)容過(guò)濾的個(gè)性化搜索算法[J].軟件學(xué)報(bào),2003,14(5):999-1004.

[8]白麗君.基于內(nèi)容和協(xié)作的科技文獻(xiàn)過(guò)濾方法研究[D].太原:山西大學(xué),2003:27-39．

Research on the Application of Collaborative Filtering Technology in the Personalized Recommendation Service for Academic Resources of University Libraries

Zhang Li-bin

Personalized information service is the development direction of future library information service. On the basis of the analysis of the existing application system of personalized information service, a theoretical model of the personalized recommendation system for academic resources of university libraries based on collaborative filtering technology is constructed. This paper introduces the implementation of recommendation system from aspects of the representation and acquisition of user information, the formation of neighbors and the generation of recommendation information. The application of collaborative filtering technology can improve the accuracy and efficiency of the personalized recommendation service of academic resources in university libraries.

Collaborative Filtering Technology；University Libraries；Academic Resources；Personalized Recommendation

本文系2016年度遼寧經(jīng)濟(jì)社會(huì)發(fā)展立項(xiàng)課題“基于數(shù)據(jù)挖掘技術(shù)的圖書(shū)館管理系統(tǒng)功能完善研究”項(xiàng)目(2016lslktzitsg-03)、2017年遼寧省高等學(xué)校圖書(shū)情報(bào)工作委員會(huì)基金“圖書(shū)館電子資源統(tǒng)計(jì)指標(biāo)及績(jī)效評(píng)價(jià)研究”項(xiàng)目(LTB201702)的研究成果。

G250.7

A

10.13897j.cnki.hbkjty.2017.0080

張立濱(1982-)，女，遼寧大學(xué)圖書(shū)館館員，研究方向：參考咨詢、云計(jì)算、閱讀推廣。

2017-03-26 責(zé)任編輯：張靜茹)