基于協同過濾推薦算法的圖書館智慧服務模式研究

喬雅, 吳琳

(陜西交通職業技術學院 圖書館， 西安 710018)

0 引言

隨著數字圖書館信息管理技術的進一步發展，需要在多源信息資源服務(Multi-source Information Resource as a Service， MIRaaS)模式下進行圖書館智慧服務，提高圖書館的智慧化服務水平，研究圖書館智慧服務模式，結合智慧化圖書館管理系統進行圖書館信息管理優化，使得讀者能夠體驗更好的圖書館服務水平[1]。研究圖書館智慧服務模式下的協同推薦算法在數字化圖書館建設方面具有重要意義，相關的圖書館智慧服務模式及推薦算法研究受到人們的極大關注。

當前，對圖書館智慧服務模式下的協同推薦算法的設計主要采用分布式資源檢索方法，構建圖書館智慧服務模式下的資源調度模型，采用圖書館資源信息的語義特征分配方法進行協同推薦，提取圖書館智慧服務模式下的語義關聯特征，構建語義關聯檢測分析模型，采用大數據融合聚類分析方法，進行圖書館智慧服務模式下的語義相慣性特征檢測[2]，實現圖書館智慧服務模式下的推薦算法優化設計，傳統方法設計中，對圖書館智慧服務模式的推薦算法主要有關聯規則推薦算法、語義本體映射推薦算法和融合調度推薦算法等[3]。上述算法進行圖書館智慧服務模式下圖書資源推薦的準確度較差，推薦過程中的時間開銷較長。

針對上述問題，本文提出基于協同過濾推薦算法的圖書館智慧服務模式。首先采用語義抽取方法對圖書館智慧服務的信息進行檢索，根據檢索到的圖書館智慧服務信息，采用相空間重構方法進行智慧服務模式下圖書館資源的特征重構和特征提取，然后采用本體特征映射方法對圖書館智慧服務過程中的文本信息進行推薦，建立圖書館智慧服務的讀者偏好關聯規則數據集，結合濾波檢測方法實現圖書館智慧服務推薦與讀者偏好信息的協同匹配，完成圖書館智慧服務的協同過濾推薦。最后進行仿真實驗分析，展示了本文方法在提高圖書館智慧服務模式下協同推薦能力方面的優越性能。

1 圖書館智慧服務的信息檢索及信息抽取

1.1 總體結構與圖書館智慧服務的信息檢索

為了實現基于協同過濾推薦算法的圖書館智慧服務模式優化設計，首先構建圖書館智慧服務的信息檢索模型。信息檢索模型采用三層體系結構設計，在感知層中進行圖書館智慧服務的信息采集，采用RFID射頻標簽進行圖書資源的二維碼標簽識別[4]，結合視頻監測設備進行館藏資源的優化管理，在網絡層中實現圖書館資源信息的融合和信息傳輸，在應用層中構建圖書館信息管理數據庫，根據SQL數據庫構建圖書館資源信息管理的本地數據庫，采用人工智能算法進行信息管理和優化調度，并在應用層中進行人機交互，實現圖書館智慧服務的信息檢索和智慧服務，得到本文設計的圖書館智慧服務的信息檢索與智慧服務的總體結構，如圖1所示。

圖1 圖書館智慧服務的信息檢索與智慧服務結構體系

根據圖1所示的圖書館智慧服務的信息檢索的三層結構體系，進行圖書館智慧服務的信息資源的優化分配[5-6]，根據資源分配結果進行智慧服務模式設計，得到圖書館智慧服務的資源分布結構模型如圖2所示。

圖2 圖書館智慧服務的資源分布結構模型

根據圖2所示的圖書館智慧服務資源分布結構模型，建立圖書館智慧服務模式下的資源分布屬性集i∈Ss，采用語義抽取方法進行圖書館智慧服務的信息檢索，語義特征分布映射滿足式(1)。

(1)

智慧服務模式下圖書館資源的信任關系表示為A→B，B→C。根據上述分析，采用語義抽取方法進行圖書館智慧服務的信息檢索，并提取圖書館館藏資源的語義相關性特征量，進行圖書館智慧服務的信息過濾推薦[7]。

1.2 語義相關性特征提取

根據檢索到的圖書館智慧服務信息，采用相空間重構方法進行智慧服務模式下圖書館資源的特征重構和特征提取，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據統計分析模型[8]，根據圖書館資源的屬性特征進行圖書館智慧服務模式下的關聯規則調度，得到圖書館智慧服務的語義相關性特征重構迭代式為式(2)。

i=1,2,…,n

k=1,2,…,n

(2)

根據圖書信息的詞性標注及詞性過濾結果，構建圖書館資源協同過濾的離散調度特征分布集為式(3)。

(3)

(4)

W=[y1,y2,…,yd]

(5)

根據對語義相關性特征提取結果進行圖書館智慧服務模式下的協同過濾推薦。

2 圖書館智慧服務協同過濾推薦算法優化

2.1 讀者偏好信息挖掘和文本信息推薦

在上述采用語義抽取方法進行圖書館智慧服務的信息檢索，并提取圖書館館藏資源的語義相關性特征量的基礎上，進行圖書館智慧服務模式優化設計，本文提出基于協同過濾推薦算法的圖書館智慧服務模式。采用本體特征映射方法進行圖書館智慧服務過程中的文本信息推薦[9]，在特征空間中將圖書館的推薦資源從m維降低到了d維，得到圖書館智慧服務的協同推薦語義分布結構模型為式(6)。

maxF(X)=(F1(X),F2(X),…,Fn(X))

(6)

根據讀者的檢索偏好進行語義相關性特征配準，并建立圖書館智慧服務的讀者偏好關聯規則數據集，對每一個詞的詞性進行自動配準，得到圖書館智慧服務過程中的讀者偏好信息挖掘結果為式(7)—式(9)。

(7)

(8)

(9)

其中，P(X)、P(Y)表示智慧服務模式下圖書館信息資源推薦與讀者偏好融合的概率函數，X、Y為圖書館信息資源分布集，P(X∩Y)是聯合交叉分布集。通過挖掘到的圖書館智慧服務過程中的讀者偏好信息，能夠自動推薦本文信息，根據二者的特征匹配結果進行圖書館智慧服務協同過濾推薦設計。

2.2 圖書館智慧服務推薦優化

建立圖書館智慧服務的讀者偏好關聯規則數據集，采用模糊聚類方法進行特征分塊處理，圖書館智慧服務的關聯規則結構模型為式(10)。

(10)

其中K=N-(m-1)τ，表示在智慧服務模式下圖書館資源搜索的嵌入維數，τ為時延，m為多種詞匯語義關系的層數，si=(xi,xi+τ,…,xi+(m-1)τ)T稱為語義本體特征序列。結合Kalman濾波方法實現干擾信息協同過濾，得到智慧服務模式下圖書館資源推薦的信任度值為式(11)。

(11)

將領域共有詞作為樞紐特征，進行干擾信息的協同過濾，Kalman濾波的傳遞函數為式(12)。

βd=(MPDist-d+1)/MPDist,d∈[2,MPDist]

(12)

其中，adj(a,c)表示a→c協同過濾的路徑分布個數，βd∈(0,1]，使用源域的領域特有詞組合推薦方法，挖掘智慧服務模式下圖書館資源的推薦屬性特征量為式(13)、式(14)。

(13)

(14)

采用云散點聚類方法，進行圖書館智慧服務推薦與讀者偏好信息的協同匹配，匹配函數滿足式(15)。

(15)

使用特征對齊方式，得到智慧服務模式下圖書館資源協同過濾推薦的迭代式為式(16)。

(16)

圖3 算法的實現流程

3 仿真實驗與結果分析

根據上述參數設計結果，進行圖書館智慧服務的協同過濾推薦，根據讀者的檢索偏好進行語義相關性特征配準，建立圖書館智慧服務的讀者偏好關聯規則數據集，得到讀者偏好關聯規則特征統計結果如圖4所示。

圖4 讀者偏好關聯規則特征統計結果

表1 圖書館智慧服務推薦的模糊決策參量

根據讀者偏好關聯規則特征統計分析結果,進行圖書資源輸出推薦，實現圖書館智慧服務推薦與讀者偏好信息的協同匹配，得到匹配輸出如圖5所示。

對比圖4和圖5得知，采用本文方法進行圖書館智慧服務推薦，推薦結果與讀者的偏好匹配能力較好。為了驗證本文方法的有效性，采用不同方法進行圖書館智慧服務的協同過濾推薦的準確度和時間開銷進行對比分析，對比結果如圖6所示。

圖5 圖書館智慧服務推薦與讀者偏好信息的協同匹配結果

(a) 準確度對比

(b) 時間開銷

分析圖6可知，采用本文方法進行圖書館智慧服務的協同過濾推薦的準確度較高，且推薦過程中的時間開銷較短。

4 總結

研究圖書館智慧服務模式，結合智慧化圖書館管理系統進行圖書館信息管理優化，使得讀者能夠體驗更好的圖書館服務水平。為此本文提出基于協同過濾推薦算法的圖書館智慧服務模式。采用相空間重構方法進行智慧服務模式下圖書館資源的特征重構和特征提取，建立圖書館智慧服務模式下的資源分布屬性集，根據不同領域內圖書信息資源進行語義相關性檢測和圖書資源分類挖掘，實現圖書館智慧服務推薦與讀者偏好信息的協同匹配，完成圖書館智慧服務的協同過濾推薦。研究得知，本文方法進行圖書館智慧服務推薦的配準性能較好，推薦的準確度較高，且推薦過程中的時間開銷較短。