吳志強(qiáng) 王義翠 馬慧娟

(1．武漢大學(xué)信息管理學(xué)院 湖北武漢 430072;2．湖北省圖書(shū)館 湖北武漢 430060)

作為社會(huì)信息基礎(chǔ)設(shè)施之一的數(shù)字圖書(shū)館，是以信息、知識(shí)資源為支撐的信息服務(wù)和知識(shí)服務(wù)環(huán)境，承擔(dān)著為用戶提供信息服務(wù)的重要責(zé)任。個(gè)性化信息服務(wù)是提高圖書(shū)館信息服務(wù)質(zhì)量和信息資源使用效率的重要手段，它以用戶為中心，根據(jù)用戶的個(gè)性化需求開(kāi)展信息服務(wù)，具有很強(qiáng)的針對(duì)性和主動(dòng)性，已成為數(shù)字圖書(shū)館的主要服務(wù)模式。然而，隨著數(shù)字資源越來(lái)越多，人們獲取有用資源的可能性越來(lái)越小。面對(duì)這種現(xiàn)實(shí)，如何為用戶提供有效的個(gè)性化信息服務(wù)，是數(shù)字圖書(shū)館建設(shè)面臨的重要問(wèn)題。個(gè)性化信息推薦服務(wù)是一種在分析預(yù)測(cè)用戶個(gè)體信息需求基礎(chǔ)上向用戶主動(dòng)提供其可能需要但又無(wú)法獲取的信息資源的服務(wù)方式，是解決這一問(wèn)題的重要方法之一，而基于用戶－資源協(xié)同驅(qū)動(dòng)的個(gè)性化推薦模式則是個(gè)性化信息推薦服務(wù)的主要模式。提供個(gè)性化協(xié)同信息推薦服務(wù)在電子商務(wù)領(lǐng)域已經(jīng)有了廣泛應(yīng)用，一些大型的電子商務(wù)網(wǎng)站如Amazon．com就用它來(lái)實(shí)現(xiàn)對(duì)目標(biāo)用戶的商品信息推薦，主動(dòng)向目標(biāo)用戶推薦其可能需要或者最感興趣的商品信息。這種主動(dòng)向用戶提供其最感興趣資源的信息推送服務(wù)方法和技術(shù)正是數(shù)字圖書(shū)館在進(jìn)行個(gè)性化信息服務(wù)時(shí)所需要的。本文分析協(xié)同推薦系統(tǒng)應(yīng)用于數(shù)字圖書(shū)館的可行性，并構(gòu)建數(shù)字圖書(shū)館協(xié)同信息推薦服務(wù)模型。

1 協(xié)同推薦算法及其協(xié)同推薦系統(tǒng)

協(xié)同推薦算法是個(gè)性化信息推薦服務(wù)及其實(shí)現(xiàn)的基礎(chǔ)，又被稱之為協(xié)同過(guò)濾算法(CF，Collaborative Filtering)。協(xié)同過(guò)濾算法主要應(yīng)用在電子商務(wù)領(lǐng)域，其目的是從用戶已有的消費(fèi)記錄中快速、準(zhǔn)確地推薦目標(biāo)用戶可能最感興趣的商品(資源)。協(xié)同過(guò)濾這一概念首次由Goldberg、Nicols、Oki及Terry(1992)提出并應(yīng)用于一個(gè)小型的Tapestry系統(tǒng)中〔1〕。作為協(xié)同過(guò)濾推薦系統(tǒng)的雛形，Tapestry展示了一種新的信息推薦思想，但存在許多技術(shù)上的不足。其后，Resnick P、Iacovou N和 Suchak M(1994)對(duì)該算法進(jìn)行了改進(jìn)，設(shè)計(jì)了基于評(píng)分的協(xié)同過(guò)濾算法，并應(yīng)用到了自動(dòng)協(xié)同過(guò)濾推薦系統(tǒng)中，如用來(lái)推薦新聞和電影的GroupLens〔2〕。

協(xié)同過(guò)濾算法主要有兩種類型:基于用戶的協(xié)同過(guò)濾推薦算法〔3－4〕和基于資源(項(xiàng)目)的協(xié)同過(guò)濾推薦算法〔5－8〕?；谟脩舻膮f(xié)同過(guò)濾推薦算法根據(jù)目標(biāo)用戶的最近鄰居(最相似的若干用戶)對(duì)某個(gè)資源(項(xiàng)目)的評(píng)分來(lái)預(yù)測(cè)目標(biāo)用戶對(duì)該資源(項(xiàng)目)的評(píng)分;基于資源(項(xiàng)目)的協(xié)同過(guò)濾推薦算法則認(rèn)為用戶對(duì)不同項(xiàng)目的評(píng)分存在相似性，當(dāng)需要估計(jì)用戶對(duì)某個(gè)項(xiàng)目的評(píng)分時(shí)，可以用用戶對(duì)該資源的若干相似資源的評(píng)分進(jìn)行估計(jì)〔9〕。相似性計(jì)算是協(xié)同過(guò)濾推薦算法中最關(guān)鍵的一步，所用的方法主要有三種:余弦相似法、修正的余弦相似法以及Pearson相關(guān)相似法〔5－9〕。當(dāng)系統(tǒng)向用戶推薦資源時(shí)大多采用平均加權(quán)策略〔10－14〕。但是，隨著系統(tǒng)規(guī)模的擴(kuò)大，用戶數(shù)量和資源項(xiàng)目數(shù)據(jù)急劇增加，造成用戶－資源矩陣的極端稀疏性〔8〕、對(duì)新用戶不能產(chǎn)生推薦的冷啟動(dòng)〔15－16〕以及推薦速度慢〔17－18〕等問(wèn)題，從而導(dǎo)致用戶最近鄰居和項(xiàng)目最近鄰居的計(jì)算準(zhǔn)確性降低，推薦系統(tǒng)的推薦質(zhì)量急劇下降，由此，人們利用BP神經(jīng)網(wǎng)絡(luò)法、貝葉斯分類法以及K－means聚類算法等方法來(lái)優(yōu)化協(xié)同推薦算法。在協(xié)同過(guò)濾算法的應(yīng)用過(guò)程中，Daniel Lemire和Anna Maclachlan(2005)等人還提出了Slope One算法〔19〕，該算法具有執(zhí)行效率高、推薦正確性好等優(yōu)點(diǎn)。

目前，利用協(xié)同過(guò)濾算法設(shè)計(jì)的信息推薦系統(tǒng)已得到廣泛的應(yīng)用，許多大型電子商務(wù)網(wǎng)站都利用這種系統(tǒng)實(shí)現(xiàn)對(duì)用戶的資源推薦，如Amazon、CDNow、Drugstore 和 Moviefinder等〔20〕。

2 協(xié)同信息推薦應(yīng)用于數(shù)字圖書(shū)館個(gè)性化服務(wù)的研究現(xiàn)狀

協(xié)同信息推薦的核心在于根據(jù)用戶的需求、興趣愛(ài)好以及用戶群體使用商品或?qū)ι唐吩u(píng)價(jià)的歷史信息，分析用戶(或商品資源)之間的相似性，主動(dòng)向目標(biāo)用戶推薦其可能需要或者最感興趣的商品信息。這種主動(dòng)向用戶提供其最感興趣資源的信息推送服務(wù)方法和技術(shù)正是數(shù)字圖書(shū)館在進(jìn)行個(gè)性化信息服務(wù)時(shí)所需要的。然而，協(xié)同推薦系統(tǒng)在數(shù)字圖書(shū)館中并沒(méi)有得到很好的應(yīng)用。從文獻(xiàn)調(diào)查的結(jié)果看，國(guó)外近年來(lái)才開(kāi)始逐漸重視這一領(lǐng)域的應(yīng)用研究，而我國(guó)則更是處在探索階段。

2．1 國(guó)外對(duì)數(shù)字圖書(shū)館個(gè)性化協(xié)同信息推薦服務(wù)的研究現(xiàn)狀

近年來(lái)，協(xié)同推薦系統(tǒng)逐漸應(yīng)用到數(shù)字圖書(shū)館中，并正在成為該領(lǐng)域的主要研究主題之一〔21－22〕。Andre Vellino和David Zeber(2007)就認(rèn)為，“一個(gè)學(xué)術(shù)論文推薦系統(tǒng)能提高科學(xué)家們從數(shù)字圖書(shū)館中發(fā)現(xiàn)新知識(shí)的能力。”〔23〕Andreas Geyer － Schulz、Andreas Neumann 和 Anke Thede(2007)等人為圖書(shū)館推薦系統(tǒng)設(shè)計(jì)了一個(gè)三層分布式體系結(jié)構(gòu)〔24〕，并應(yīng)用于加利福尼亞大學(xué)伯克利分校圖書(shū)館中。C．Porcel、J．M．Moreno和E．Herrera－Viedma(2009)等人借助模糊集理論設(shè)計(jì)了一個(gè)協(xié)同推薦系統(tǒng)以幫助大學(xué)數(shù)字圖書(shū)館用戶獲取研究資源〔25－26〕，其目的是通過(guò)協(xié)同推薦資源的方式去發(fā)現(xiàn)跨學(xué)科研究團(tuán)體之間是否存在協(xié)作的可能性，從而提高大學(xué)在科學(xué)研究中的社會(huì)合作效率。

實(shí)際上，數(shù)字圖書(shū)館協(xié)同推薦系統(tǒng)的主要目的就是要實(shí)現(xiàn)用戶的個(gè)性化服務(wù)。Nadine Dalton Speidel(2007)就指出，目前數(shù)字圖書(shū)館推薦系統(tǒng)的應(yīng)用主要集中在信息和服務(wù)的個(gè)性化方面〔27〕。Grace Burchard(2007)認(rèn)為，推薦系統(tǒng)的恰當(dāng)運(yùn)用可以成為數(shù)字圖書(shū)館的有力工具，當(dāng)用戶對(duì)推薦系統(tǒng)表現(xiàn)出興趣時(shí)，數(shù)字圖書(shū)館就應(yīng)該提供個(gè)性化的服務(wù)，利用圖書(shū)館推薦系統(tǒng)為用戶提供及時(shí)、準(zhǔn)確與適合的指導(dǎo)性資源〔28〕。

2．2 我國(guó)對(duì)數(shù)字圖書(shū)館協(xié)同信息推薦服務(wù)的研究現(xiàn)狀

在我國(guó)，由于有關(guān)利用數(shù)字圖書(shū)館推薦系統(tǒng)來(lái)實(shí)現(xiàn)個(gè)性化信息服務(wù)的研究才剛剛開(kāi)始，還處在實(shí)踐探索階段。李君君(2006)等人根據(jù)用戶描述文件和資源描述文件，利用協(xié)同過(guò)濾推薦算法為用戶提供個(gè)性化推薦服務(wù)提出了理論探討〔29〕。為了使協(xié)同過(guò)濾推薦系統(tǒng)在數(shù)字圖書(shū)館中的應(yīng)用能引起國(guó)內(nèi)學(xué)界的關(guān)注，美國(guó)康涅狄格州立大學(xué)通信信息與圖書(shū)館學(xué)學(xué)院劉燕權(quán)博士在《圖書(shū)情報(bào)工作》2007年第12期上組織了一期“推薦系統(tǒng)與數(shù)字圖書(shū)館”的專題文章〔27，30－32〕，以美國(guó)為背景，向國(guó)內(nèi)讀者分析并介紹了國(guó)外推薦系統(tǒng)技術(shù)在數(shù)字圖書(shū)館中的實(shí)踐與經(jīng)驗(yàn)，以推動(dòng)我國(guó)學(xué)界對(duì)數(shù)字圖書(shū)館協(xié)同推薦系統(tǒng)的技術(shù)和應(yīng)用研究。在應(yīng)用方面，孫守義(2007)等人提出一種基于用戶聚類的協(xié)同過(guò)濾個(gè)性化圖書(shū)推薦系統(tǒng)的構(gòu)想〔33〕;高鳳榮(2007)等人通過(guò)組合基于評(píng)分的協(xié)同過(guò)濾算法和基于元信息的協(xié)同算法而形成混合協(xié)同算法，來(lái)實(shí)現(xiàn)數(shù)字圖書(shū)館的個(gè)性化服務(wù)系統(tǒng)〔34〕。

3 協(xié)同信息推薦在數(shù)字圖書(shū)館個(gè)性化信息服務(wù)中的重要作用

從國(guó)內(nèi)外對(duì)協(xié)同信息推薦在數(shù)字圖書(shū)館應(yīng)用的研究現(xiàn)狀可以看出，協(xié)同信息推薦應(yīng)用于數(shù)字圖書(shū)館個(gè)性化服務(wù)，創(chuàng)建數(shù)字圖書(shū)館協(xié)同信息推薦系統(tǒng)，在完善數(shù)字圖書(shū)館個(gè)性化信息服務(wù)、促進(jìn)數(shù)字圖書(shū)館的建設(shè)與發(fā)展方面都具有重要的現(xiàn)實(shí)意義和理論價(jià)值。

3．1 在用戶信息需求獲取中的作用

在數(shù)字圖書(shū)館的個(gè)性化信息服務(wù)過(guò)程中，獲取用戶的個(gè)性化信息需求是其中基礎(chǔ)而關(guān)鍵的步驟。一般情況下，系統(tǒng)利用用戶注冊(cè)時(shí)所提供的興趣偏好作為用戶信息需求的基礎(chǔ)，然后利用用戶在使用數(shù)字圖書(shū)館過(guò)程中所產(chǎn)生的信息行為挖掘用戶潛在信息需求，補(bǔ)充用戶信息需求的渠道。協(xié)同信息推薦算法則是根據(jù)相同(似)興趣愛(ài)好的其他用戶的信息行為，挖掘和引導(dǎo)目標(biāo)用戶的信息需求，開(kāi)辟用戶信息需求獲取的新途徑，以此來(lái)完善用戶的信息需求，并將用戶的信息需求轉(zhuǎn)化為信息資源選擇、集成、按需傳遞以及服務(wù)優(yōu)化的動(dòng)態(tài)過(guò)程。用戶－資源的協(xié)同推薦改變以往圖書(shū)館只根據(jù)單個(gè)用戶的信息需求提供信息服務(wù)這一傳統(tǒng)方法，充分利用其他具有相同(似)信息需求的用戶的信息活動(dòng)，結(jié)合目標(biāo)用戶本身的信息需求，把其他用戶從數(shù)字圖書(shū)館中所獲取的有價(jià)值的信息資源推薦給還未獲取該資源的目標(biāo)用戶，擴(kuò)充目標(biāo)用戶對(duì)某一具體研究問(wèn)題的信息獲取量，挖掘和引導(dǎo)目標(biāo)用戶的信息需求，提供主動(dòng)信息服務(wù)，從而提高數(shù)字圖書(shū)館的信息服務(wù)質(zhì)量。

3．2 在提高數(shù)字圖書(shū)館信息資源利用效率中的作用

信息資源的價(jià)值在于它能為眾多具有相同信息需求的用戶所使用，以發(fā)揮其社會(huì)價(jià)值和經(jīng)濟(jì)價(jià)值。協(xié)同信息推薦充分利用了用戶－資源的協(xié)同驅(qū)動(dòng)，把有用資源推薦給更多的具有相似需求的其他用戶，可以提高數(shù)字圖書(shū)館信息資源的利用效率。數(shù)字圖書(shū)館利用用戶－資源的協(xié)同驅(qū)動(dòng)機(jī)理進(jìn)行個(gè)性化的信息推薦服務(wù)，目的就是要把這些有用的資源推薦給更多的用戶，達(dá)到資源利用價(jià)值的最大化。

3．3 在提高用戶利用圖書(shū)館獲取知識(shí)中的作用

信息資源推薦服務(wù)可以提高用戶利用圖書(shū)館獲取知識(shí)的能力。對(duì)于用戶(特別是廣大的研究者)來(lái)說(shuō)，全面收集有關(guān)特定研究主題的相關(guān)資源，掌握第一手資料，是分析、解決問(wèn)題的重要前提?，F(xiàn)實(shí)的情況是用戶就某一研究主題苦于收集不全資料、無(wú)從獲取有用的信息資源。數(shù)字圖書(shū)館個(gè)性化信息推薦服務(wù)根據(jù)用戶的個(gè)性化需求，并結(jié)合其他用戶及其信息行為的協(xié)同驅(qū)動(dòng)，向目標(biāo)用戶推薦其需要但又還未獲取的有用資源，用戶在獲取有用資源的同時(shí)也從中獲取更多的知識(shí)，提高其研究能力。

3．4 在完善數(shù)字圖書(shū)館個(gè)性化信息服務(wù)理論和技術(shù)中的作用

用戶－資源協(xié)同驅(qū)動(dòng)的個(gè)性化信息推薦服務(wù)，可以創(chuàng)建一種新的數(shù)字圖書(shū)館個(gè)性化服務(wù)機(jī)制，為數(shù)字圖書(shū)館信息服務(wù)、知識(shí)服務(wù)的個(gè)性化提供新的理論支持和解決方案。利用用戶與資源共同驅(qū)動(dòng)的協(xié)同推薦技術(shù)為用戶提供主動(dòng)的信息推薦服務(wù)，在數(shù)字圖書(shū)館個(gè)性化服務(wù)的“以用戶為中心、按需提供、主動(dòng)服務(wù)、個(gè)性化服務(wù)”理念基礎(chǔ)上增加了“用戶－資源協(xié)同、按需提供與協(xié)同推薦統(tǒng)一”的協(xié)同信息服務(wù)理念，并通過(guò)協(xié)同推薦技術(shù)構(gòu)建個(gè)性化信息推薦模型來(lái)實(shí)現(xiàn)這一理念，這將進(jìn)一步完善數(shù)字圖書(shū)館個(gè)性化信息服務(wù)理論和技術(shù)。

4 基于協(xié)同推薦的數(shù)字圖書(shū)館個(gè)性化信息服務(wù)模型

數(shù)字圖書(shū)館要實(shí)現(xiàn)對(duì)目標(biāo)用戶的個(gè)性化信息推薦服務(wù)，關(guān)鍵在于個(gè)性化信息推薦模型的構(gòu)建。構(gòu)建個(gè)性化信息推薦服務(wù)模型的目的是要建立個(gè)性化推薦服務(wù)模型的體系結(jié)構(gòu)，利用協(xié)同過(guò)濾推薦技術(shù)完成用戶需求的分析、資源的獲取以及資源向用戶的協(xié)同推薦等一系列流程。

4．1 模型的體系結(jié)構(gòu)

個(gè)性化信息推薦服務(wù)需要充分理解目標(biāo)用戶的個(gè)性化需求，同時(shí)還要結(jié)合其他擁有相似偏好用戶的信息使用行為及其對(duì)資源的評(píng)價(jià)，把用戶最需要的、但又未獲取的信息資源推薦并推送給目標(biāo)用戶，因此基于協(xié)同推薦的數(shù)字圖書(shū)館個(gè)性化信息推薦模型可以如圖1所示。

數(shù)字圖書(shū)館個(gè)性化信息推薦服務(wù)模型可以分為三層:資源層、業(yè)務(wù)邏輯層以及用戶服務(wù)層。(1)資源層:一方面調(diào)度館藏的各類數(shù)字資源，另一方面利用用戶的共性需求，通過(guò)元搜索獲取Web信息資源以及其他館際共享資源，建立系統(tǒng)與外部資源的開(kāi)放性鏈接;實(shí)現(xiàn)資源整合與管理。(2)業(yè)務(wù)邏輯層:儲(chǔ)存用戶利用資源的歷史記錄，執(zhí)行用戶－資源數(shù)據(jù)集的一致性維護(hù)，自動(dòng)維護(hù)需求與信息資源之間的一致性;利用用戶－資源共同驅(qū)動(dòng)的協(xié)同過(guò)濾推薦算法實(shí)現(xiàn)資源的個(gè)性化推薦;把推薦的信息資源推送給用戶的信息空間，實(shí)現(xiàn)用戶的個(gè)性化推送服務(wù)。(3)用戶服務(wù)層:為用戶創(chuàng)建個(gè)性化信息空間用以接收系統(tǒng)推送的資源，同時(shí)也允許用戶的自定義;儲(chǔ)存用戶的個(gè)性化信息需求，分析并維護(hù)用戶信息需求;接受系統(tǒng)個(gè)性化推送服務(wù)的結(jié)果集，并提供友好、方便的信息導(dǎo)航、查詢和信息資源的按需整合。

4．2 模型的協(xié)同推薦機(jī)制

協(xié)同推薦機(jī)制主要體現(xiàn)在業(yè)務(wù)邏輯層，其基本流程是:(1)數(shù)字圖書(shū)館的各用戶在檢索資源或者圖書(shū)館向用戶推送資源的時(shí)候，用戶根據(jù)資源與需求的匹配程度對(duì)所獲取的資源進(jìn)行評(píng)價(jià)，該評(píng)價(jià)信息被保存在用戶－資源評(píng)分?jǐn)?shù)據(jù)集中，作為協(xié)同信息推薦的基本組成部分。(2)系統(tǒng)根據(jù)各用戶的信息需求及其信息行為對(duì)用戶進(jìn)行聚類，計(jì)算目標(biāo)用戶的鄰居(即具有相似偏好的用戶)，從而獲得目標(biāo)用戶及其相鄰用戶的信息需求。(3)根據(jù)用戶－資源評(píng)分?jǐn)?shù)據(jù)集中相鄰用戶的資源使用歷史數(shù)據(jù)，并結(jié)合目標(biāo)用戶的信息需求，向目標(biāo)用戶推薦Top－N個(gè)資源。這些資源對(duì)于目標(biāo)用戶來(lái)說(shuō)是其未曾獲取的并且又是潛在有用的，其潛在有用性取決于相似偏好用戶對(duì)該資源的高評(píng)價(jià)。(4)系統(tǒng)把這Top－N個(gè)資源主動(dòng)推送給目標(biāo)用戶，在這一過(guò)程中，目標(biāo)用戶需要對(duì)這些資源進(jìn)行評(píng)價(jià)，其結(jié)果也被保存到用戶－資源評(píng)分?jǐn)?shù)據(jù)集中，作為對(duì)其他用戶進(jìn)行信息推薦的基礎(chǔ)數(shù)據(jù)。(5)系統(tǒng)動(dòng)態(tài)、重復(fù)執(zhí)行以上四個(gè)步驟，實(shí)現(xiàn)數(shù)字圖書(shū)館對(duì)各用戶的個(gè)性化信息推薦及其推送服務(wù)。數(shù)字圖書(shū)館個(gè)性化協(xié)同信息推薦模型的實(shí)現(xiàn)不僅可以最大限度地挖掘目標(biāo)用戶的潛在信息需求，同時(shí)也實(shí)現(xiàn)向目標(biāo)用戶推薦并主動(dòng)推送符合其信息需求的資源，提高了資源的利用效率。

圖1 基于用戶－資源協(xié)同過(guò)濾推薦算法的個(gè)性化信息推薦服務(wù)模型

5 結(jié)語(yǔ)

鑒于協(xié)同信息推薦對(duì)數(shù)字圖書(shū)館個(gè)性化服務(wù)的重要作用，本文從理論上提出了基于協(xié)同推薦的數(shù)字圖書(shū)館個(gè)性化信息推薦服務(wù)模型。該模型還需要通過(guò)技術(shù)實(shí)現(xiàn)以驗(yàn)證其可行性與可用性;同時(shí)該模型也需要在數(shù)字圖書(shū)館中進(jìn)行應(yīng)用研究，以體現(xiàn)數(shù)字圖書(shū)館個(gè)性化信息推薦服務(wù)的現(xiàn)實(shí)意義和實(shí)際應(yīng)用價(jià)值。這將是我們下一階段的研究?jī)?nèi)容和具體實(shí)踐工作。

1．Goldberg D，Nichols D，Oki B M，et al．Using collaborative filtering to weave an information tapestry．Communications of the ACM．December，1992，35(12):61－70

2．Resnick P，Iacovou N，Suchak M，et al．GroupLens:an open architecture for collaborative filtering of netnews．In:Proceedings of CSCW'94，1994，175－186

3．Breese J，Hecherman D，Kadie C．Empirical analysis of predictive algorithms for collaborative filtering．In:Proceedings of the14th Conference on Uncertainty in Artificial Intelligence(UAI'98)，1998，43 －52

4．Y Chuan，X Jie－ping．Recommendation algorithm combining the userbased classified regression and the item－based filtering．In:Processing of the International Conference on Electronic Commerce，Proceedings －the new E－commerce:Innovations for Conquering Current Barriers，Obstacles and Limitations to Conducting Successful Business on the Internet，2006，574 －578

5．Arwar B，Karypls G，Konstan J，et al．Item －based collaborative filtering recommendation algorithms．In:Proceedings of the 10th International World Wide Web Conference，2001，285 －295

6．Karypis G．Evaluation of item－based top－n recommendation algorithms．In:Proc．of the Tenth International Conference on Information and Knowledge Management，2001，247 －254

7．Deng Ai－lin，Zhu Yang －yong，Shi Bai－le．A collaborative filtering recommendation algorithm based on item rating prediction．Journal of Software，2003，14(9):1621 －1628

8．Kim B M，Li Q，Park C S，et al．A new approach for combining contentbased and collaborative filters．Journal of Intelligent Information System，2006，27(1):79－91

9．Arwar B，Karypis G，Konstan J，et al．Analysis of recommendation algorithms for E － commerce．In:Processing of 2nd ACM Conference on Electronic Commerce，2000，158 －167

10．Goldberg D，Nichols D，Oki B M，et al．Using collaborative filtering to weave an information tapestry．Communications of the ACM．December，1992，35(12):61－70

11．Chedrawy Z，Abidi SSR．An adaptive personalized recommendation strategy featuring context sensitive content adaptation．In:Proceedings of Adaptive Hypermedia and Adaptive Web－based Systems，2006，4018:61－70

12．Lu Q Q，Huang G Q．A model of collaborative filtering in E－ business recommendation system based on interest measure．In:Processing of the 5th Wuhan International Conference on e－business，vols 1－3 －Integration and Innovation Through Measurement and Management，2006，562 －567

13．Luo Y M，Nie G H．Research of collaborative filtering algorithm based on the semantic similarity．In:Processing of the 5th Wuhan International Conference on e－business，vols 1－3 －Integration and Innovation Through Measurement and Management，2006，2132 －2138

14．Tso K，Schmidt－Thieme L．Attribute－aware collaborative filtering ．From Data and Information Analysis to Knowledge Engineering，2006，614 －621

15．Goldberg K，Roeder T，Gupta D．Eigentaste:a constant time collaborative filtering algorithm ．Information Retrieval，2001，4(1):133－151

16．Al Mamunur Rashid，Istvan Albert，Dan Cosley，et al．Getting to know you:learning new user preferences in recommender systems．In:Proceedings of the 7th International Conference on Intelligent User Interfaces，2002

17．Tso K，Schmidt－Thieme L．Attribute－aware collaborative filtering ．From Data and Information Analysis to Knowledge Engineering，2006，614 －621

18．Chedrawy Z，Abidi SSR．An item －based collaborative filtering framework featuring case based reasoning．In:Proceedings of the2005 International Conference on Artificial Intelligence，2005，286 －292

19．Daniel Lemire，Anna Maclachlan．Slope One Predictors for Online Rating－Based Collaborative Filtering ．http://www．daniel－lemire．com/fr/documents/publications/lemiremaclachlan_sdm05．pdf．2005 －02 －07

20．Wu Yan，Shen Jie，Gu Tian －zhu，et al．Algorithm for sparse problem in collaborative filtering．Application Research of Computers，2007，24(6):94 －97

21．J．Webster，S．Jung，and J．Herlocker．Collaborative Filtering:a New Approach to Searching Digital Libraries．New Review of Information Networking，10(2):177－191，2004

22．A．F．Smeaton and J．Callan．Personalisation and Recommender Systems in Digital Libraries．International Journal on Digital Libraries，V5(4):299 －308，2005

23．Andre Vellino，David Zeber．A Hybrid，Multi－Dimensional Recommender for Journal Articles in a Scientific Digital Library．In:Proceedings of the 2007 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent A-gent Technology － Workshops．2007，111 －114

24．Geyer－Shulz A，Neumann A，Thede A．An architecture for behaviorbased library recommender systems．American Library Association．http://www．a(chǎn)la．org/ala/mgrps/divs/lita/ital/2204geyer．cfm．，2007 －07 －05

25．C．Porcel，J．M．Moreno，E．Herrera － Viedma．A multi－disciplinar recommender system to advice research resources in University Digital Libraries．Expert Systems with Applications 36(2009)12520－12528

26．C．Porcel，E．Herrera－Viedma．Dealing with incomplete information in a fuzzy linguistic recommender system to disseminate information in university digital libraries．Knowledge－Based Systems 23(2010)32－39

27．Nadine Dalton Speidel，Liu Yanquan．Are Recommender Systems Good for Libraries?．圖書(shū)情報(bào)工作，2007(12):19－25

28．Grace Burchard．Recommender Systems and Digital Library Personalization．圖書(shū)情報(bào)工作，2007(12):33－38

29．李君君，葉鳳云．?dāng)?shù)字圖書(shū)館的個(gè)性化推薦策略．情報(bào)理論與實(shí)踐，2006(4):458－460

30．Liu Yanquan．Utilizing Recommender Systems in Digital Libraries:Current Study and Tech Issues．圖書(shū)情報(bào)工作，2007(12):6 －10，25

31．Liu Jingjin，Zhang Xiangmin．Document Recommender Systems:Approaches to Increasing Information Retrieval Effectiveness．圖書(shū)情報(bào)工作，2007(12):11－18，32

32．Chen Jiangping．Services Provided by Digital Libraries:Current Status and Future Strategies．圖書(shū)情報(bào)工作，2007(12):26－32

33．孫守義，王蔚．一種基于用戶聚類的協(xié)同過(guò)濾個(gè)性化圖書(shū)推薦系統(tǒng)．現(xiàn)代情報(bào)，2007(11):139－142

34．GAO Fengrong(高鳳榮)，XING Chunxiao(邢春曉)，DU Xiaoyong(杜小勇)，WANG Shan(王珊)．Personalized Service System Based on Hybrid Filtering for Digital Library．TSINGHUA SCIENCE AND TECHNOLOGY，2007(1):1－8