基于用戶畫像的智慧圖書館文獻資源個性化推薦方法研究

摘要：該文針對現有推薦方法推薦準確率過低的問題，開展智慧圖書館文獻資源個性化推薦方法設計研究。先通過用戶畫像的應用，構建用戶興趣特征模型。然后提取文獻資源特征，實現文獻資源特征與用戶興趣特征的匹配，實現文獻資源個性化推薦。最后應用對比實驗證明所提方法的先進性。實驗結果證明，新的推薦方法可有效促進文獻資源推薦準確率的提升，應用效果較好。

關鍵詞：用戶畫像；文獻資源；推薦；個性化；智慧圖書館

doi：10.3969/J.ISSN.1672-7274.2024.07.012

中圖分類號：TP 391.41 文獻標志碼：B 文章編碼：1672-7274（2024）07-00-03

Research on Personalized Recommendation Method for Literature Resources

in Smart Libraries Based on User Profile

ZHANG Fengtao

（Taiyuan Library， Taiyuan 030024， China）

Abstract： This article focuses on the problem of low recommendation accuracy in existing recommendation methods， and conducts research on the design of personalized recommendation methods for literature resources in smart libraries. Firstly， construct a user interest feature model tSEcRyou0Bvfaf8GjXcyfwg==hrough the application of user profiling. Then extract the features of literature resources， match them with user interest features， and achieve personalized recommendation of literature resources. Finally， comparative experiments are carried out to prove the progressiveness of the proposed method. The experimental results show that the new recommendation method can effectively promote the improvement of accuracy in literature resource recommendation， and the application effect is good.

Keywords： user profile; literature resources; recommendation; personalization; smart library

隨著信息技術的飛速發展，圖書館的文獻資源數量和種類快速增長，這為讀者提供了更多的選擇，但同時增加了讀者查找和篩選所需信息的時間和難度。為了解決這一問題，智慧圖書館應運而生[1]。智慧圖書館是一種利用先進的信息技術，實現圖書館的數字化、網絡化、智能化服務管理模式，以更加便捷、高效的方式為廣大讀者提供服務的圖書館[2]。為促進智慧圖書館的建設與發展，本文結合用戶畫像技術，開展對智慧圖書館文獻資源個性化推薦方法的設計研究。

1 基于用戶畫像的用戶興趣特征模型構建

先構建基于用戶畫像的用戶興趣特征模型，步驟如下。

第一步，數據收集。首先需要收集用戶的基本信息、閱讀歷史、搜索記錄等數據，這些數據可以來自于圖書館的借閱系統、網站日志、社交媒體等渠道。

第二步，數據預處理。對收集到的數據進行清洗、去重、標準化等預處理操作，以保證數據的質量和準確性。

第三步，用戶畫像構建。利用數據挖掘和機器學習等技術，對預處理后的數據進行處理和分析，提取出用戶的個性化特征，形成一個較為完整的用戶畫像[3]。在構建用戶畫像時，將用戶項目評分矩陣作為基礎，用戶興趣特征模型可以用用戶—項目評分矩陣表示，其中，為用戶數量；標識線項目的數量。在該評分矩陣當中，某一用戶對某一項目的評分可用表示。構建如表1所示的用戶—項目評分矩陣。

基于用戶畫像的用戶興趣特征模型具有結構簡單、易于實現、無須對數據進行預處理、直接利用已有的評價數據對用戶進行推薦等優點。通過對任意兩個特征向量的相似程度進行分析，得出兩個用戶感興趣的相似性或兩個項目的相似性[4]。與聚類等其他方法相結合，可以有效地提高搜索的效率。本文引入K-means聚類算法，將項目看作樣本，使用樣本距離作為劃分標準。樣本距離與樣本相似度之間存在反比例關系。兩個樣本之間的距離越短，則其相似度越高。根據這一理論，通過歐氏距離計算，確定樣本之間的距離：

（1）

式中，為第個樣本對象；為第個聚類中心；為樣本維度；為兩個樣本之間的歐氏距離。在聚類的過程中，每一次迭代都需要重新完成對聚類中心的計算，求得聚類中所有樣本的平均值。假設某一類別的聚類中心為，則可通過式（2）計算得出：

（2）

式中，為聚類集合。根據上述公式不斷迭代并重新進行類別劃分，更新。在滿足終止條件后，完成迭代。

第四步，用戶興趣特征提取。從用戶畫像中提取出與興趣相關的特征，如閱讀歷史中出現的書籍類別、關鍵詞等，這些特征可以反映出用戶的興趣愛好和閱讀習慣。

2 文獻資源特征與用戶興趣特征匹配

通過上述論述，結合用戶畫像，完成對用戶興趣特征模型的構建后，為實現文獻資源特征與用戶興趣特征匹配，提取智慧圖書館文獻資源特征[5]。文獻資源特征提取的基本流程如圖1所示。

文獻的特征提取與用戶的興趣提取相似。第一步是對每一篇文獻進行數據的預處理，包括數據的清洗、文本類型的變換，以便更好地實現文本的切分、刪除和特征的提取[6]。第二步，對文本進行切分，獲得文本的分詞結果，并剔除中文文本中的“這”“否則”“而且”等，英文的“the”“a”等停頓詞，這些單詞對文本推薦毫無幫助。第三步，采用基于TF-IDF的特征提取方法，對文本中的特征詞語進行加權處理，以體現該詞語的重要性。第四步，選取具有較高權重的特征詞語，作為文獻資源特點的表征。

通過提取的特征詞和權重，表征文獻資源的特征，同樣，通過提取的特征詞和它們的權重來表達用戶的興趣特征。然后，通過對文本信息的相似程度進行計算，將相似程度高的文獻進行排序。根據所得到的特征詞和權重，再通過訓練得到新的特征詞和權重，對用戶的興趣和文獻資源進行匹配度的計算。匹配度的數值可以通過式（3）計算得出：

（3）

式中，為匹配度值；為從文獻資源中篩選出的權重較大的特征詞對應權重；為從用戶興趣特征模型中篩選出的權重較大的特征詞對應權重；為文獻資源中篩選出的權重較大的特征詞的余弦值。通過上述公式對匹配度的計算，將得到的值較高的文獻推薦給相應的智慧圖書館用戶，以此實現文獻資源特征與用戶興趣特征匹配，最后依據匹配結果實現個性化推薦。

3 對比實驗

為了進一步驗證本文上述提出的基于用戶畫像的推薦方法的應用優勢，進行以下對比實驗研究：將本文提出的基于用戶畫像的推薦方法設置為實驗組，將基于改進加權信息熵的推薦方法設置為對照A組，將基于知識圖譜的推薦方法設置為對照B組，設置了8個不同領域、不同主題的文獻資源，將其作為實驗數據，并結合智慧圖書館的實際情況，在實驗數據當中增設了125篇其他主題。在利用三種推薦方法為用戶推薦文獻資源時，設置不同的用戶興趣特征詞數量條件，對比三種方法的推薦結果，繪制表2所示的推薦結果對比表。

從表2的實驗數據可以看出，三組推薦方法的推薦結果準確率均呈現出隨用戶興趣特征詞數量增加而增加的變化趨勢。實驗組推薦結果的準確率均高于95.00%，在用戶興趣特征詞數量為10個時，準確率已經能夠達到95.85%的水平，而對照A組推薦結果準確率最高僅為80.25%，對照B組推薦結果準確率最高僅為86.24%。通過上述得出的實驗結果可以看出，實驗組推薦方法的推薦準確率最高，能夠為智慧圖書柜用戶提供更符合其需求的文獻資源。同時，用戶畫像在智慧圖書館中的應用，可以幫助圖書館更好地了解讀者的需求和興趣，為讀者提供更加個性化、精準的文獻資源推薦服務。另外，基于用戶畫像的推薦方法也可以提高圖書館的資源利用率和讀者滿意度，為圖書館的發展和公共文化服務體系建設做出貢獻。

4 結束語

本文深入探討了用戶畫像的概念、原理和應用，以及其在智慧圖書館文獻資源個性化推薦中的作用。通過對比現有其他兩種推薦方法，驗證了基于用戶畫像的智慧圖書館文獻資源個性化推薦方法的可行性和有效性。在未來的研究中，將進一步優化基于用戶畫像的智慧圖書館文獻資源個性化推薦方法，提高推薦的準確度和效率，加強數據分析和挖掘能力，以更好地滿足讀者的需求。

參考文獻

[1] 王麗麗，田燕妮，歐陽靜．基于深度學習的高校移動圖書館資源推薦研究[J]．長春理工大學學報（社會科學版），2023，36（5）：77-81．

[2] 李婷．大數據背景下公共圖書館傳統文化資源推薦策略研究[J]．河南圖書館學刊，2021，41（12）：45-47，52．

[3] 吳冬梅．基于人工智能的圖書館信息資源推薦檢索平臺設計[J]．信息與電腦（理論版），2021，33（13）：159-161．

[4] 翟小樂，蔣麗銘，任云鵬．基于協同過濾的高校圖書館數字資源個性化推薦方法[J]．信息與電腦（理論版），2023，35（9）：96-98．

[5] 陳安琪，金昆，陶興華，等．基于知識圖譜的圖書館智能化資源推薦系統架構與優化策略[J]．圖書館界，2023（2）：21-25．

[6] 于非．基于情境要素適配的高校數字圖書館資源情境化推薦路徑研究[J]．圖書館工作與研究，2021（6）：74-81．