基于用戶畫像的圖書推薦算法實證研究

潘文佳 費立美

摘 要：個性化推薦算法能夠幫助讀者從圖書館海量館藏中發現所需圖書，有助于提高館藏利用率和讀者服務效率。文章以高校圖書館圖書數據、讀者數據和借閱數據為數據源，從中抽取關鍵詞構建圖書畫像和讀者畫像；利用向量空間模型計算圖書與讀者之間的相似度，向讀者推薦與其相似度排名靠前的圖書；并進行推薦算法效果實證分析，揭示著錄數據、讀者類型、推薦窗口等變量對推薦準確率的影響。

關鍵詞：高校圖書館；用戶畫像；推薦算法；個性化推薦

分類號：G252；G250.7??? 文獻標識碼：A

An Empirical Study of Book Recommendation Algorithm Based on User Profile

PAN Wenjia， FEI Limei

Abstract： The personalized recommendation algorithm can help readers find the books they need from the massive collection of the library， and help improve the utilization rate of the collection and the efficiency of reader service. This paper takes the book data， reader data and borrowing data of university libraries as the data source， and extracts keywords from them to construct the book portrait and reader portrait， uses vector space model to calculate the similarity between books and readers， and recommends the books with the highest similarity ranking to readers， conducts an empirical analysis of the effect of recommendation algorithm to reveal the influence of variables such as recorded data， reader type and recommendation window on recommendation accuracy.

Keywords： university library; user profile; recommendation algorithm; personalized recommendation

0 引言

在信息爆炸的年代，人們普遍處于信息“過載”和信息“饑渴”的矛盾狀態中。信息推薦被認為是緩解這一矛盾的有效方法。圖書館讀者同樣面臨著“被圖書淹沒，卻饑渴于知識”的困境。一方面，圖書館擁有豐富的館藏圖書，可供選擇的圖書浩如煙海，讀者擁有“過載”的圖書資源；另一方面，紙質圖書仍是讀者閱讀的主要載體，但是他們去圖書館借閱圖書的次數越來越少，甚至于部分讀者“無書可讀”，處于知識“饑渴”狀態。其實并非真正無書可讀，而是讀者感興趣的、所需要的圖書被淹沒在茫茫書海之中而難以發現?；谟脩舢嬒竦耐扑]算法能夠幫助讀者發現所需圖書，降低讀者圖書搜尋難度，是提升圖書館館藏利用率和讀者服務效率的有效方法。

1 相關研究評述

使用用戶畫像做個性化推薦由來已久。早在20世紀90年代，Pazzani等就提出了通過用戶畫像幫助人們尋找他們感興趣的網站［1］，其實質就是做網站的個性化推薦。Amato等提出將用戶畫像應用到數字圖書館，認為用戶畫像能夠準確地表達用戶信息需求，在精準了解用戶信息需求基礎上能夠更好地為用戶提供信息服務［2］。他們提出了推和拉的兩種服務模式，其實質都是利用用戶畫像過濾用戶不需要的信息。在國內，黃文彬等提出移動用戶畫像構建模型，用于顯示用戶的頻繁活動規律、周期性行為及出行方式［3］，該模型可以為個性化服務提供更完整豐富的信息。曾建勛提出精準服務需要用戶畫像，認為數字圖書館服務必須統一認證和管理用戶，從多維度認識用戶的自然屬性、社交屬性、興趣屬性和能力屬性，在用戶的知識創造過程中強化精準服務［4］。韓梅花等提出利用用戶畫像識別具有抑郁傾向的用戶并為其推送相應的圖書以實現閱讀治療［5］。王仁武等通過圖書館用戶的Web日志構建了學術用戶畫像并將其用于學術資源推薦［6］。王慶等構建了圖書館用戶畫像模型，并提出用戶畫像視角下的資源推薦流程和模式，為如何開展基于圖書館用戶畫像的信息資源推薦活動提供了參考［7］。楊帆介紹了國家圖書館大數據項目，提出基于讀者畫像和資源畫像構建圖書館大數據分析平臺，用于圖書館業務分析和精細化讀者服務［8］。上述文章就如何構建圖書館用戶畫像并開展個性化推薦展開了充分論述，為實證研究工作的實施提供了強有力理論支撐。本文借鑒了國家圖書館大數據項目中對讀者和資源畫像的思想，同時構建讀者和圖書的畫像，通過計算畫像之間的相似度，向讀者推薦與之最相近的圖書。

2 研究框架設計

本文設計了如圖1所示的研究框架，主要包括數據源、畫像構建、個性化推薦和算法評估四部分。實驗數據源由南京大學圖書館提供，包括三類數據：①圖書著錄數據，包括圖書的標題、作者、出版社、出版年、分類號等元數據，總共有40余萬種圖書；②讀者屬性數據，包括讀者入學年份、所屬學院和所屬類型（本科、碩士、博士和教職員工），總共有5萬余名讀者；③圖書外借數據，每條記錄包含有借閱者、借閱圖書、借閱時間和歸還時間等信息，總共有150余萬條記錄。

畫像構建環節利用分詞技術從數據源中提取關鍵詞作為畫像標簽，并計算標簽權重。個性化推薦環節利用向量空間模型計算讀者與圖書的語義相似度，向讀者推薦相似度排名前k本的圖書。最后利用讀者真實借閱數據評估推薦算法效果。

3 用戶畫像構建

用戶“畫像”是一種比喻，泛指一切對用戶特征的描述，因此其技術方案和應用范圍比較廣泛。本文使用常見的標簽技術為讀者和圖書“畫像”，以關鍵詞作為讀者和圖書的特征標簽，以關鍵詞權重區分標簽的重要程度。因此，標簽提取和權值計算是畫像構建的關鍵環節。

3.1 標簽提取和權值計算

標簽分為靜態標簽和動態標簽兩種類型，靜態標簽表示讀者和圖書的固有屬性，不會隨著時間的變化發生改變；動態標簽會隨著時間的變化而改變。本文選取的讀者和圖書的靜態、動態標簽來源情況如表1所示。

讀者的靜態標簽來源于入學年份、所屬院系和讀者類型三個固有屬性。圖書的靜態標簽來源于紙質圖書固有元數據，本文選用標題和作者作為圖書靜態標簽的數據來源，出版社、出版年等屬性對圖書的內容揭示程度不高，不作為標簽來源。

讀者的動態標簽包括年級和借閱興趣（源于圖書靜態標簽）。年級是表征學生在校學習時長的特征，可以通過學生當前借閱時間和學生入學年份動態計算得到。借閱興趣標簽通過讀者的借閱記錄動態計算得到。假設讀者借閱了一本書，那么這本書的靜態標簽將成為表示讀者借閱興趣的動態標簽，讀者借閱的圖書越多，被貼上的動態興趣標簽越豐富，對讀者興趣的揭示程度越高。與讀者的借閱興趣動態標簽類似，圖書的動態標簽來源于讀者的靜態標簽和年級標簽。當圖書被一位讀者借閱時，該書將被貼上這位讀者的靜態標簽和年級標簽，圖書被借閱的人次越多，其動態標簽越豐富。

每名讀者和每本圖書都會被貼上幾個乃至幾十上百個標簽（根據借閱量的不同而有所差異），這些標簽并不均等地標識讀者或圖書特征。本文選用TF·IDF值表征標簽特征。TF指標簽頻率（Term Frequency），即該標簽在某本書或某位讀者的標簽集合中出現的次數。通常來講，標簽頻率越高，標簽越能夠代表讀者或圖書的特征；但并不絕對，比如“應用”、“研究”等標簽雖然容易成為讀者標簽中的高頻標簽，但是其代表性并不強。因此需要引入IDF值修正。IDF值即反比文檔頻率（Inverse Document Frequency），用于表征標簽在所有讀者或所有圖書中出現的頻率，如果一個標簽只在少數的幾本書或幾名讀者中出現，IDF值較高，就更有代表性。讀者靜態標簽或年級標簽i的IDF值計算方法如公式（1）所示，其中N是讀者總人數，ni是包含有標簽i的讀者人數。ni值越小，其IDF值越大，該標簽的代表性越顯著。圖書靜態標簽j的IDF值計算方法如公式（2）所示，其中M是圖書種數，mj是包含有標簽j的圖書種數。最終的標簽權重計算方法如公式（3）所示，其中f是標簽的TF值。

IDFi=logNni（1）

IDFj=logMmj（2）

TF？IDF=（1+logf）×IDF（3）

3.2 用戶畫像可視化展現

利用詞云對提取后的標簽組合做可視化展現，直觀顯示讀者畫像和圖書畫像。詞云也稱標簽云［9］，最初是一種信息組織與檢索工具，用于揭示網站的信息特征，幫助用戶發現感興趣的內容；隨后被用于文本主題特征的可視化呈現。典型的做法是提取文本中的關鍵詞和詞頻，然后將詞頻作為度量關鍵詞重要性的指標。在可視化展現中，一般通過詞的字號、顏色和布局位置表達其重要性，通常權值較大的詞字號更大、顏色更突出、位置更居中；反之權值較小的詞則使用較小的字號、顏色暗淡、位置更偏。本文使用TF·IDF值作為詞的權重指標，能夠更準確地刻畫詞的重要性。通過詞云，可以給圖書管理員和讀者以直觀的方式呈現讀者和圖書畫像。目前已經有各種類型的詞云繪制工具，本文使用基于Python語言的WordCloud開源軟件包繪制詞云。該軟件包的關鍵調用函數是generate_from_frequencies，即根據詞頻繪制詞云。圖2（a）是圖書的畫像展現，從圖中可以直觀地看出，大一本科生是借閱該書的主要讀者群體，尤其是技術科學試驗班和自然科學試驗班。圖2（b）是某個讀者的標簽畫像，同樣可以直觀地發現讀者的借閱興趣聚焦在醫學、解剖學、生理學和藥理學等學科。

4 基于用戶畫像的推薦算法研究

4.1 算法思想

讀者畫像揭示了讀者的興趣特征和身份特征，圖書畫像揭示了圖書的主題特征和已借讀者的身份特征，兩類畫像特征的匹配程度可以作為向讀者推薦圖書的依據，匹配策略如圖3所示。圖書的主題特征與讀者的興趣特征越相近，讀者越有可能借閱這本圖書；讀者的身份特征與借閱過這本圖書的讀者身份特征越相似，說明讀者的“同類”對這本圖書感興趣，讀者也更有可能借閱這本圖書。因此，圖書推薦算法的關鍵是計算讀者與圖書的相似度，然后推薦相似度較高的圖書給讀者。

4.2 讀者與圖書相似度計算

選用向量空間模型計算讀者與圖書之間的相似度。將讀者和圖書畫像建模為N維向量，其中N是標簽總數。對標簽從1到N編號，每個標簽xi對應編號i。本文根據IDF值對標簽由高到低排序得到編號。編號是為了給標簽一個唯一標識，編號數值大小對算法沒有影響。一名讀者或者一本圖書的畫像被表示成向量d，如公式（4）所示，其中wi是編號為i的標簽xi的權重。當標簽xi在這位讀者（或圖書）的畫像中出現時，權重wi是該標簽的TF·IDF值；如果沒有出現在畫像中，那么權重wi為0。假設表示讀者r畫像的向量是dr，表示圖書b畫像的向量是db，那么讀者與圖書的相似度計算方法如公式（5）所示，式中wi，r是讀者r第i個標簽的權重，wi，b是圖書b第i個標簽的權重。分子是讀者與圖書的絕對相似程度，分子是對相似程度的歸一化處理。

d=（w1，w2，…，wn）（4）

simr，b=dr？dbdr×db=∑Ni=1wi，r×wi，b ∑Ni=1wi，r2× ∑Ni=1wi，b2（5）

公式（5）雖然能夠度量圖書和讀者之間的相似度，但是在計算機程序設計時卻會占用較大的內存空間。因為高校圖書館的藏書規模較大，所以表示圖書特征的標簽數量也會比較多，進而導致向量過長而占用過多內存空間。本研究采用的數據集中，總共提取出約30萬個標簽，表示單個讀者或單本圖書的向量長度N為30萬。總共有40余萬種圖書，5萬余名讀者，總共有45萬個向量，存儲圖書和讀者特征的向量需要占用約135GB內存空間，難以被高校圖書館接受。實際上，一本圖書或一名讀者的標簽數量通常在幾十或幾百個，向量中絕大多數標簽的權值為0，不必存儲。改用哈希表存儲標簽能夠有效降低存儲空間復雜度。假設讀者r的畫像標簽選用哈希表Hr存儲，圖書b的標簽畫像選用哈希表Hb存儲，那么讀者r與圖書b的相似度計算方法如公式（6）所示。其中Cr是讀者r的標簽集合，Hr［c］是讀者r的標簽c的權值；其中Cb是圖書b的標簽集合，Hb［c］是圖書b的標簽c的權值。哈希表H僅存儲權值非0的標簽，沒有被存儲的標簽權值默認為0，不必存儲，將極大地降低存儲空間，節省計算機硬件購置成本。

simr，b=∑c∈Cr∩CbHr［c］×Hb［c］ ∑c∈CrHr［c］2× ∑c∈CbHb［c］2（6）

5 推薦算法效果實證分析

5.1 實證方法

面向高校圖書館真實使用場景評估推薦算法效果，根據讀者借閱歷史記錄預測讀者未來可能會借閱的圖書。將一名讀者在一天里借閱的所有圖書視作一次借閱記錄。要求算法通過讀者前一次的借閱記錄預測這名讀者在下一次最有可能借閱的k本圖書，如果下一次借閱的圖書中有1本出現在這k本圖書列表中，則視作一次成功推薦；如果下一次借閱的任何一本圖書都沒有出現在這k本中，則視作一次失敗推薦。準確率的計算方式是成功推薦次數除以總推薦次數。對于只借過一次圖書的讀者和讀者的最后一次借閱，由于無法驗證推薦是否成功，不納入測試范圍。

將所有圖書的著錄數據和讀者的屬性數據分別作為圖書和讀者的靜態標簽，用于繪制圖書和讀者動態標簽的圖書外借數據在測試中需要區分對待。由于高校圖書館讀者的借閱活動通常以學年為周期展開，因此將圖書外借數據集劃分為13-14學年、14-15學年、15-16學年和16-17學年，共四個學年。將前三個學年的圖書外借數據作為訓練數據，用于繪制圖書畫像的動態標簽，將16-17學年的借閱數據作為測試數據，用于從中提取測試用例。一個測試用例是指一名讀者前一次借閱記錄和后一次借閱記錄形成的借閱記錄測試對，其中前一次借閱記錄是預測后一次借閱記錄的依據，后一次借閱記錄是評判算法是否準確預測的標準。總共從16-17學年的借閱數據中提取出98692個測試用例，其中本科生45423個，碩士生31657個，博士生14845個，教師4506個，測試用例規模較大，測試結果具有較高置信度。

5.2 結果及其分析

運用相似度計算公式（6），對上述測試用例進行計算。設定推薦窗口k為10，即每次向讀者推薦10本圖書。面向全校所有讀者的推薦準確率是20.4 0%。該準確率偏低，無法直接應用到高校圖書館的真實場景。導致準確率偏低的原因有以下三類：

5.2 .1 著錄數據對推薦準確率的影響

本研究使用的數據集僅提供了圖書的標題和作者兩個字段，未能獲取圖書的主題詞、內容簡介等著錄數據，導致對圖書的內容特征揭示不充分。98692個測試用例中，只有34.3%的測試用例的前一次借閱記錄和后一次借閱記錄的畫像之間有一個以上相同標簽，其余65.7%的測試用例前后借閱記錄的畫像標簽交集為空。在真實應用場景中，應當融合更多的圖書著錄數據以提升書目內容特征的揭示程度，增加推薦準確率。此外，讀者興趣特征揭示不充分也會降低推薦準確率。為便于測試，本研究僅選擇了讀者前一次借閱的圖書作為揭示其興趣特征的標簽來源，并未把讀者所有借閱歷史記錄用于揭示讀者興趣。實際上，有50.3%的測試用例的前一次借閱記錄只有一本書，僅通過一本圖書預測讀者后續借閱記錄的難度較大。在真實應用場景中，應當融合讀者所有歷史記錄以充分繪制讀者興趣特征以提升推薦準確率。

5.2 .2 讀者類型對推薦準確率的影響

高校圖書館的主要讀者類型有本科生、碩士生、博士生和教師四類，他們的借閱偏好必然存在一定差異。從圖4可以發現，不同類型讀者的推薦成功率并不相同，且呈現出有規律的差異。即學歷層次越低，推薦準確率越低；學歷層次越高，推薦準確率越高。這一現象的形成與推薦算法特性和讀者借閱偏好有關?；诋嬒竦耐扑]算法將圖書的內容特征和讀者的閱讀興趣作為主要推薦依據，讀者的借閱興趣越集中，推薦算法的準確率越高；讀者的借閱興趣越分散，算法就越難預測讀者可能會借閱的圖書，推薦算法準確率就越低。高等院校中，本科生群體主要接受公共課和專業基礎課教育，學習偏好更側重廣度，因此借閱興趣比較分散，推薦準確率偏低。隨著學歷層次的提升，學習的專業性增強，讀者的借閱興趣更聚焦，推薦準確率更高，因此碩士、博士的推薦準確率隨之增加。教師是所有讀者中專業性最強的一類群體，他們通常聚焦于自己鉆研的特定領域，興趣最為聚焦；所以面向教師群體的推薦準確率遠高出學生群體。

5.2 .3 推薦窗口對推薦準確率的影響

推薦窗口是指向讀者推薦圖書數量。推薦窗口越大，推薦的圖書越多，讀者發現感興趣圖書的可能性就越大，準確率自然越高。但是推薦窗口并非越大越好，過大的推薦窗口會再次導致二次信息“過載”，甚至引發讀者對推薦系統的反感。推薦窗口的準確率如圖5所示：橫坐標為推薦窗口數量，縱坐標為推薦成功率。從圖中可以看出，雖然推薦準確率整體上隨推薦窗口的增加而增大，但增大的幅度卻逐漸在減小。在推薦窗口較小時，每增加一本推薦圖書，將帶來推薦準確率較大幅度提升；隨著推薦窗口增大，每增加一本推薦圖書帶來的準確率提升幅度卻逐漸減小。該曲線上升斜率類似對數函數增長模式，說明不能盲目增大推薦窗口，應當根據實際情況設計合理的推薦窗口。典型的做法是利用“畫象”相似度計算設定相似度閾值， 只選大于相似度閾值且排名前K的圖書加入推薦窗口。

6 結語

本文以圖書著錄數據、讀者屬性數據、圖書外借數據作為數據源，從中提取構建圖書畫像和讀者畫像的標簽，并利用詞云技術以可視化方式繪制圖書畫像和讀者畫像。利用向量空間模型計算圖書與讀者之間的相似度，并將相似度排名靠前的圖書推薦給讀者。在高校圖書館圖書外借數據集上評估了效果，通過實驗驗證了圖書推薦算法的可用性。實驗結論如下：①認為算法推薦準確率偏低的主要原因是揭示紙質圖書內容特征的元數據偏少，在實際應用中可以通過增加紙質圖書的元數據提升推薦準確率。②發現算法推薦準確率隨著讀者學歷層次的增加而增加，原因是讀者的學歷層次越高，讀者的借閱興趣越聚焦，越有利于預測讀者的借閱偏好。③討論推薦窗口對推薦準確率的影響，發現隨著推薦窗口的增大，增加推薦窗口帶來的推薦準確率提升越不顯著。在真實環境中，應當設計合理的圖書推薦窗口。

最后，需要強調指出：實驗是基于用戶畫像對算法公式推導的實證研究，受限于實驗數據缺失，僅僅通過少許“標簽”很難準確地呈現推薦準確率。因此，在后續研究中應當融入更豐富的描述資源以提升推薦準確率。

參考文獻：

［1］Michael Pazzani， Daniel Billsus.Learning and revising user profiles： The identification of interesting web sites［J］.Machine learning，1997，27（3）：313-331.

［2］Giuseppe Amato， Umberto Straccia.User profile modeling and applications to digital libraries［C］.Springer，1999：184-197.

［3］黃文彬，徐山川，吳家輝，等.移動用戶畫像構建研究［J］.現代情報，2016，36（10）：54-61.

［4］曾建勛.精準服務需要用戶畫像［J］.數字圖書館論壇，2017（12）：1.

［5］韓梅花，趙景秀.基于“用戶畫像”的閱讀療法模式研究：以抑郁癥為例［J］.大學圖書館學報，2017，35（6）：105-110.

［6］王仁武，張文慧.學術用戶畫像的行為與興趣標簽構建與應用［J］.現代情報，2019，39（9）：54-63.

［7］王慶，趙發珍.基于“用戶畫像”的圖書館資源推薦模式設計與分析［J］.現代情報，2018，38（3）：105-109，137.

［8］楊帆.畫像分析為基礎的圖書館大數據實踐：以國家圖書館大數據項目為例［J］.圖書館論壇，2019，39（2）：58-64.

［9］倪娟.論標簽云在高校圖書館學科知識服務中的應用［J］.圖書館，2013（6）：18-20.

作者簡介：

潘文佳（1980— ），男，大學本科，館員，任職于南京圖書館。研究方向：信息技術與圖情服務。

費立美（1989— ），女，南京大學信息管理學院在職碩士研究生在讀，館員，任職于南京圖書館。研究方向：智慧圖書館與圖書館技術。