樊姍劉丹

（華東師范大學(xué)圖書館，上海 200240）

大數(shù)據(jù)生態(tài)下基于Apache Mahout的推薦系統(tǒng)研究

樊姍劉丹

（華東師范大學(xué)圖書館，上海 200240）

［摘要］大數(shù)據(jù)技術(shù)在給圖書館帶來挑戰(zhàn)的同時，也賦予了圖書館更多可用的新技術(shù)，Apache Mahout正是其中之一。Apache Mahout的出現(xiàn)有利于推薦系統(tǒng)在圖書館的廣泛部署、原型化開發(fā)、系統(tǒng)優(yōu)化、算法研究，以及適應(yīng)大數(shù)據(jù)生態(tài)。

［關(guān)鍵詞］推薦系統(tǒng)Apache Mahout機(jī)器學(xué)習(xí)大數(shù)據(jù)

1　引言

隨著互聯(lián)網(wǎng)時代的到來，信息過載（Information Overload）給人們帶來了越來越多的困擾。在過于膨脹的信息面前，要理解隱藏在信息背后的問題、根據(jù)信息做出決策已經(jīng)變得十分困難［1］。在圖書館環(huán)境中，豐富的紙本館藏、電子資源在為讀者帶來知識的饕餮大餐同時，也將讀者置身于信息過載的困境中。長尾（Long Tail）思想已經(jīng)融入亞馬遜等電商的銷售策略?；陂L尾思想的銷售在大量售出數(shù)量較少的流行物品基礎(chǔ)上，通過尋求售出數(shù)量龐大但流行度較低的物品而增加銷售額［2］。圖書館館藏與讀者的關(guān)系跟電商商品與客戶的關(guān)系不無相似之處，該策略可以借鑒到館藏服務(wù)中。近年來，隨著圖書館紙本圖書借閱量的普遍下降，各種圖書排行、現(xiàn)場主題書展等活動越來越受到圖書館的青睞，成為廣為接受的圖書館資源推薦手段。此類推薦從總的借閱統(tǒng)計排名、分類統(tǒng)計排名、特定活動主題出發(fā)聚集圖書，反映了圖書的流行度、內(nèi)容特征，但未能考慮到讀者的個性化偏好。利用推薦系統(tǒng)提供個性化的資源推薦服務(wù)能夠幫助圖書館為讀者解決信息過載問題，實現(xiàn)資源的長尾策略［3］，應(yīng)對館藏利用率下降帶來的危機(jī)。

大數(shù)據(jù)是一個較為寬泛的概念，通常指當(dāng)數(shù)據(jù)量大、結(jié)構(gòu)復(fù)雜，傳統(tǒng)的數(shù)據(jù)處理技術(shù)不能滿足的情形［4］。與傳統(tǒng)數(shù)據(jù)技術(shù)相比，大數(shù)據(jù)具有4V特征，即數(shù)據(jù)達(dá)到一定的容量（Volume）、具有多樣性（Variety）、速度（Velocity）敏感、富含價值（Value）［5］。隨著大數(shù)據(jù)技術(shù)的流行，數(shù)據(jù)挖掘理念越來越普及，數(shù)據(jù)挖掘支持工具也更容易獲得。一些原本具有較高技術(shù)壁壘，在商業(yè)領(lǐng)域使用的技術(shù)變得易于為圖書館所掌握利用。推薦系統(tǒng)、機(jī)器學(xué)習(xí)工具庫Apache Mahout正是這樣的技術(shù)。

2　推薦系統(tǒng)簡述

推薦系統(tǒng)（Recommender Systems）是信息過濾系統(tǒng)（Information Filtering System）的一個子類，其基本原理是在將符合需要的信息呈現(xiàn)給用戶之前過濾掉冗余的、不符合需要的信息。相對于信息過濾系統(tǒng)的其他類型，推薦系統(tǒng)主要關(guān)注預(yù)測用戶對物品的評分或偏好［6］。國外關(guān)于推薦系統(tǒng)的研究與應(yīng)用十分活躍，如美國施樂對Tapestry的研發(fā)、斯坦福大學(xué)的Fab系統(tǒng)、Citeseer、俄勒岡州立大學(xué)圖書館的SERF、加州大學(xué)伯克利分校圖書館的Melvyl、以及著名的亞馬遜推薦系統(tǒng)［7］。

推薦系統(tǒng)涉及3個主題，推薦方法、推薦解釋、推薦評估［8］。推薦方法解決通過什么數(shù)據(jù)，如何生成推薦。推薦解釋通過告知用戶推薦背后的緣由增強(qiáng)用戶對推薦的認(rèn)可度。推薦評估通過衡量推薦的質(zhì)量為提高推薦效果提供參考。

推薦方法是推薦系統(tǒng)的核心，目前主要有協(xié)同過濾推薦、基于內(nèi)容的推薦、基于知識的推薦以及混合推薦4種類型。協(xié)同過濾推薦以用戶、物品之間的統(tǒng)計關(guān)聯(lián)度進(jìn)行推薦，不要求關(guān)于用戶、物品的知識。它由D.Goldberg等1992年在Tapestry中提出，是推薦系統(tǒng)中最成熟，使用最廣泛的推薦技術(shù)［9］。其優(yōu)點是可以不考慮內(nèi)容項的特征，任何形式的內(nèi)容都可以推薦［10］。在協(xié)同過濾推薦技術(shù)的基礎(chǔ)上，通過融入新的手段來提升推薦效果已成為研究的熱點，包括將粗糙集引入到基于用戶聚類的協(xié)同過濾中［11］、引入讀者特征模型，采用優(yōu)化的協(xié)同過濾算法產(chǎn)生個性化圖書推薦［12］、應(yīng)用多目標(biāo)優(yōu)化計算雙聚類技術(shù)實現(xiàn)協(xié)同過濾推薦［13］、基于語義手段結(jié)合協(xié)同過濾技術(shù)的混合推薦［14］等。

基于內(nèi)容的推薦根據(jù)人、物品的屬性特征進(jìn)行推薦，不要求大規(guī)模的用戶、物品數(shù)量。此類技術(shù)也常常通過加入新的計算方法以獲取更好的推薦效果，如基于分類方法的內(nèi)容過濾推薦技術(shù)［15］、引入模糊聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)實現(xiàn)個性化推薦［16］、基于語義擴(kuò)展的個性化知識推薦［17］?；谥R的推薦能在無法獲取大量的用戶、物品關(guān)系、屬性特征時，根據(jù)額外的知識進(jìn)行推理。如應(yīng)用知識地圖實現(xiàn)圖書館個性化信息推薦服務(wù)［18］?；旌贤扑]能夠結(jié)合上述三者的優(yōu)勢提高推薦效果。

3　機(jī)器學(xué)習(xí)工具庫Apache Mahout

推薦系統(tǒng)通過計算機(jī)程序?qū)崿F(xiàn)，部署在服務(wù)器上提供服務(wù)。作為計算機(jī)程序，推薦系統(tǒng)的功能與性能是決定其效用的兩個重要方面。前者涉及推薦系統(tǒng)自身方法理論的有效性，要求程序設(shè)計者掌握推薦系統(tǒng)理論方法；后者涉及計算機(jī)軟件設(shè)計的有效性，要求設(shè)計者掌握計算機(jī)軟硬件體系結(jié)構(gòu)與程序設(shè)計方法學(xué)。作為一種基于數(shù)據(jù)挖掘的應(yīng)用，推薦系統(tǒng)是性能敏感的，對上述兩個因素都有嚴(yán)苛的要求，它的實現(xiàn)對設(shè)計者提出了挑戰(zhàn)。對軟件開發(fā)的應(yīng)用域知識技能要求與基礎(chǔ)的系統(tǒng)功能、性能要求并存帶來的挑戰(zhàn)是一個軟件開發(fā)領(lǐng)域常見的問題。對此問題的解決方案一般通過開發(fā)分層實現(xiàn)，應(yīng)用域軟件的開發(fā)者關(guān)注目標(biāo)問題域的程序設(shè)計與開發(fā)，系統(tǒng)架構(gòu)級開發(fā)者關(guān)注基礎(chǔ)的系統(tǒng)功能與性能支持開發(fā)。后者的開發(fā)成果通常以軟件開發(fā)框架、工具庫出現(xiàn)。對于推薦系統(tǒng)而言，Apache Mahout正是這樣一個起基礎(chǔ)系統(tǒng)級功能與性能支持的推薦系統(tǒng)開發(fā)工具庫。

Apache Mahout是Apache軟件基金會旗下的獨立子項目。它使用Java語言編寫，以開源許可發(fā)行。得益于優(yōu)異的開發(fā)團(tuán)隊與Apache基金會的支持，Apache Mahout具有優(yōu)良的存儲設(shè)計、架構(gòu)擴(kuò)展性，并以高效的方式實現(xiàn)了包含推薦算法在內(nèi)的經(jīng)典機(jī)器學(xué)習(xí)算法。Apache Mahout強(qiáng)調(diào)體系結(jié)構(gòu)的可擴(kuò)展性，這種前瞻性設(shè)計適應(yīng)了大數(shù)據(jù)處理的需求，易于實現(xiàn)分布式計算，其部分組件本身即構(gòu)建在Apache Hadoop分布式計算平臺之上。最新的Apache Mahout已經(jīng)開始連接大規(guī)模數(shù)據(jù)處理引擎Apache Spark。對于現(xiàn)實中基于大數(shù)據(jù)的推薦應(yīng)用，如果沒有Apache Mahout這類實現(xiàn)手段，將是一項無法完成的任務(wù)［19］。

作為一個軟件庫，Apache Mahout主要面向開發(fā)人員，而非終端用戶。它以API調(diào)用的方式提供服務(wù)，著眼于為機(jī)器學(xué)習(xí)相關(guān)的開發(fā)提供基礎(chǔ)組件支持。其主要組件為推薦引擎、聚類（Clustering）、分類（Classification）等算法實現(xiàn)及輔助工具。

Apache Mahout的推薦引擎實現(xiàn)了大部分主流的推薦算法，包括基于用戶的協(xié)同過濾、基于物品的協(xié)同過濾、Slopone、奇異值分解（SVD）、Knn、聚類推薦。Apache Mahout實現(xiàn)了主流的相似度量算法，包括基于皮爾遜相關(guān)系數(shù)的相似度（Pearson Correlation Similarity）、基于歐氏距離的相似度（Euclidean Distance Similarity）、谷本系數(shù)相似度（Tanimoto Coefficient Similarity）、對數(shù)似然相似度（Log Likelihood Similarity）。Apache Mahout內(nèi)置的推薦評估器支持平均絕對差值（Average Absolute Difference）、均方根（Root Mean Square），以及在信息檢索中廣泛使用的查準(zhǔn)率（Precision）、查全率（Recall）評估標(biāo)準(zhǔn)。

利用Apache Mahout，圖書館不僅可以快速的部署推薦系統(tǒng)，而且可以利用其設(shè)計優(yōu)異的偏好數(shù)據(jù)存儲組件，算法工具、推薦評估組件等基礎(chǔ)設(shè)施來輔助新的推薦算法開發(fā)與測試。由于它的開源性，推薦系統(tǒng)研究與實踐者可以靈活的進(jìn)行代碼級定制以符合自身需求。

隨著Apache Mahout的成熟與不斷普及，部分圖書館、情報學(xué)者已經(jīng)意識到它在推薦系統(tǒng)研究與部署中的作用與價值，開始在研究與實踐中納入Apache Mahout：邱均平［20］、景民昌［21］在其推薦系統(tǒng)的研究中使用了Apache Mahout；歐陽劍等采用Apache Mahout構(gòu)建了一個簡單、方便、快速的同趣、同類書目推薦引擎［22］；奉國和等重點對Apache Mahout結(jié)合Apache Hadoop實現(xiàn)分布式推薦進(jìn)行了介紹［23］；楊京等從大數(shù)據(jù)工具的角度介紹了Apache Mahout［24］。但上述研究對該工具價值的論述還不夠全面，若能讓推薦系統(tǒng)研究者與實踐者更好地意識到Apache Mahout的價值，將會有助于推動圖書館推薦系統(tǒng)研究工作的開展與推薦系統(tǒng)的實際部署。

4　Apache Mahout帶來的變革

4.1促進(jìn)推薦系統(tǒng)在圖書館的廣泛部署

在沒有基礎(chǔ)平臺的支持下，圖書館要進(jìn)行推薦系統(tǒng)部署不僅需要實現(xiàn)核心的推薦算法，還需要實現(xiàn)高效的存儲機(jī)制與計算架構(gòu)能以滿足大數(shù)據(jù)處理的需求。對于非專業(yè)的開發(fā)者來說，這是難以克服的挑戰(zhàn)。這種高技術(shù)壁壘將大多數(shù)的圖書館擋在了提供個性化推薦服務(wù)的門外。Apache Mahout內(nèi)置了大部分成熟的推薦算法組件，提供了基礎(chǔ)的工具組件。它的出現(xiàn)能讓圖書館從開箱即用的推薦技術(shù)中受益，具備打造個性化的推薦服務(wù)能力，為廣泛的圖書館開啟推薦系統(tǒng)部署之門。

4.2提供推薦系統(tǒng)原型化開發(fā)支持

諸如數(shù)據(jù)稀疏性、冷啟動、推薦多樣性、推薦新穎性等問題的廣泛存在說明，推薦系統(tǒng)開發(fā)本身具有復(fù)雜性，不僅涉及機(jī)器學(xué)習(xí)等技術(shù)問題，也涉及包括文獻(xiàn)老化、閱讀心理等因素。特別是圖書館在應(yīng)用協(xié)同過濾推薦中的數(shù)據(jù)稀疏性問題，雖然許多研究人員對此進(jìn)行了探索［20-21，25-27］，但結(jié)果仍不盡如人意?？梢?，推薦系統(tǒng)設(shè)計開發(fā)面臨了諸多的不確定性因素，且具有較高的技術(shù)要求，容易導(dǎo)致失敗的推薦系統(tǒng)開發(fā)，大量的人力投入?yún)s很可能收獲較低的效益。軟件工程中的原型開發(fā)是一種應(yīng)對需求、問題域不確定性的成功軟件開發(fā)策略。它通過最小化開發(fā)消耗來抵消由不明確性帶來的風(fēng)險。Apache Mahout提供的基礎(chǔ)組件為推薦系統(tǒng)開發(fā)提供了現(xiàn)成的裝配件，使得開發(fā)者只需少量的努力即可實現(xiàn)一個可用的推薦系統(tǒng)原型。在開發(fā)過程中對大量主流的推薦方法與相似性度量進(jìn)行測試變得相對容易，包括協(xié)同過濾實現(xiàn)，各種相似性算法、推薦評估器。若沒有Apache Mahout輔助實現(xiàn)這些快速的原型，整個開發(fā)的投入相當(dāng)高，周期也會更長。Apache Mahout的出現(xiàn)為圖書館通過快速原型，以迭代的方式實現(xiàn)成熟的推薦系統(tǒng)開發(fā)提供了支持。

4.3優(yōu)化推薦系統(tǒng)開發(fā)整體質(zhì)量

實際的推薦系統(tǒng)不僅涉及核心的推薦算法實現(xiàn)，還需要關(guān)注數(shù)據(jù)生成、數(shù)據(jù)聚合、推薦呈現(xiàn)、應(yīng)用調(diào)度、使用統(tǒng)計等一些常見的事務(wù)性程序設(shè)計與實現(xiàn)。完整的協(xié)同推薦系統(tǒng)涉及多個層面，包括需求層，行為層、過濾層、推薦層、交互層和資源庫［28］，是一個系統(tǒng)工程。Apache Mahout提供的高可用推薦支持工具解放了開發(fā)者，可以使推薦系統(tǒng)開發(fā)團(tuán)隊免于一般化的、成熟的基礎(chǔ)組件實現(xiàn)，將開發(fā)重心投入到系統(tǒng)整體的規(guī)劃與開發(fā)上，處理上述必要的事務(wù)設(shè)計與實現(xiàn)以及系統(tǒng)的其他層面的問題，從整體上優(yōu)化推薦系統(tǒng)。

4.4助力推薦算法創(chuàng)新研究

推薦系統(tǒng)中用戶的增長和內(nèi)容的大量增加帶來的計算代價的復(fù)雜度不是線性的［10］。加上推薦對時間的要求，這往往構(gòu)成了推薦系統(tǒng)的瓶頸。推薦系統(tǒng)實現(xiàn)在時間和空間上的消耗往往需要研究人員投入大量的資源尋求解決方案［29］。Apache Mahout高效的性能設(shè)計與實現(xiàn)有助于解決許多研究者在算法的測試評估過程中所遇到的性能瓶頸問題，為在真實數(shù)據(jù)集上的算法評測提供支持。通常，大多數(shù)推薦算法研究都是在既有算法類型上的修正與突破。由于Apache Mahout的開源性，推薦算法研究者可以在既有的算法代碼上進(jìn)行新算法的實現(xiàn)，專注于算法突破點上的改進(jìn)。

4.5支持推薦系統(tǒng)適應(yīng)大數(shù)據(jù)生態(tài)

Apache Mahout提供了高效的推薦系統(tǒng)基礎(chǔ)組件，支持了大數(shù)據(jù)生態(tài)下的推薦系統(tǒng)研究與部署。雖然圖書館推薦系統(tǒng)不一定具有大數(shù)據(jù)的大容量特征，但通常都會涉及數(shù)據(jù)的多樣性、速度敏感性、價值豐富性3個特征，這已經(jīng)揭示了推薦系統(tǒng)與大數(shù)據(jù)技術(shù)的密切關(guān)聯(lián)。隨著推薦系統(tǒng)應(yīng)用到傳統(tǒng)紙本圖書外的電子資源推薦、納入情景數(shù)據(jù)的推薦［30］、實時的檢索推薦、結(jié)合分類、聚類技術(shù)進(jìn)行推薦，圖書館推薦系統(tǒng)也會面臨大數(shù)據(jù)容量的問題，推薦系統(tǒng)的大數(shù)據(jù)特征將更加明顯。作為一種大數(shù)據(jù)工具，Apache Mahout有助于圖書館推薦系統(tǒng)應(yīng)對大數(shù)據(jù)挑戰(zhàn)，適應(yīng)大數(shù)據(jù)生態(tài)。

5　結(jié)語

信息過載、提高對館藏資源“長尾”的利用、圖書外借量下降等因素，促使圖書館推薦系統(tǒng)研究與部署成為一項迫切的需求。作為一種數(shù)據(jù)敏感的應(yīng)用，圖書館環(huán)境下的推薦系統(tǒng)研究與部署無論在功能上還是性能上都具有嚴(yán)苛的標(biāo)準(zhǔn)。隨著推薦系統(tǒng)技術(shù)的發(fā)展，個性化實時推薦，如OPAC檢索推薦，以及更大規(guī)模的電子資源推薦、基于情境的推薦、引入分類聚類等技術(shù)的推薦系統(tǒng)越來越顯示出大數(shù)據(jù)的特征。對圖書館而言，要更加適應(yīng)大數(shù)據(jù)，能充分運用大數(shù)據(jù)，把數(shù)字圖書館完全融入大數(shù)據(jù)之中，促進(jìn)數(shù)字圖書館在人們的學(xué)習(xí)、生活、工作和研究中發(fā)揮更大作用［31］。Apache Mahout是一個世界級的、先進(jìn)而成熟的開源機(jī)器學(xué)習(xí)工具庫，與分布式計算框架Apache Hadoop無縫集成，并支持大規(guī)模數(shù)據(jù)處理引擎Apache Spark，是非常優(yōu)秀的大數(shù)據(jù)工具。它的出現(xiàn)為圖書館迎接挑戰(zhàn)，適應(yīng)大數(shù)據(jù)生態(tài)，開展推薦系統(tǒng)研究與部署提供了強(qiáng)大的技術(shù)支持。

參考文獻(xiàn)：

［1］Wikipedia.Information overload［OL］.［2015-06-18］.https：// en.wikipedia.org/wiki/Information_overload.

［2］Wikipedia.Long Tail［OL］.［2015-06-18］.https：//en.wikipedia.org/wiki/Long_tail.

［3］項亮.推薦系統(tǒng)實踐［M］.北京：人民郵件出版社，2012.

［4］Wikipedia.Big data［OL］.［2015-10-08］.https：//en.wikipedia.org/wiki/Big_data.

［5］樊偉紅，等.圖書館需要怎樣的“大數(shù)據(jù)”［J］.圖書館雜志，2012（11）：63-68，77.

［6］Wikipedia.RecommenderSystem［OL］.［2015-06-19］.https：// en.wikipedia.org/wiki/Recommender_system.

［7］黃曉斌，張海娟.國外數(shù)字圖書館推薦系統(tǒng)評述［J］.情報理論與實踐，2010（8）：125-128.

［8］詹尼士等.推薦系統(tǒng)［M］.蔣凡，譯.北京：人民郵電出版社，2013.

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

［10］高鳳榮，馬文峰，王珊.數(shù)字圖書館個性化信息推薦系統(tǒng)研究［J］.情報理論與實踐，2003（4）：359-262.

［11］王曉耘，錢璐，黃時友.基于粗糙用戶聚類的協(xié)同過濾推薦模型［J］.現(xiàn)代圖書情報技術(shù)，2015（1）：45-51.

［12］董坤.基于協(xié)同過濾算法的高校圖書館圖書推薦系統(tǒng)研究［J］.現(xiàn)代圖書情報技術(shù)，2011（11）：44-47.

［13］劉飛飛.基于多目標(biāo)優(yōu)化雙聚類的數(shù)字圖書館協(xié)同過濾推薦系統(tǒng)［J］.圖書情報工作，2011（7）：111-113.

［14］汪英姿.基于本體的個性化圖書推薦方法研究［J］.現(xiàn)代圖書情報技術(shù)，2012（12）：72-78.

［15］王艷，等.基于分類方法的內(nèi)容過濾推薦技術(shù)［J］.情報雜志，2005（8）：59-60，62.

［16］劉韻毅，梁樑.基于用戶偏好的文獻(xiàn)推薦系統(tǒng)［J］.情報理論與實踐，2007（1）：61-63，25.

［17］張鼐，周年喜，張英.基于語義擴(kuò)展的個性化知識推薦技術(shù)研究［J］.情報理論與實踐，2009（8）：101-104.

［18］劉鐘美.知識地圖在圖書館個性化信息推薦服務(wù)中的應(yīng)用研究［J］.圖書情報工作，2006（10）：97-99，103.

［19］歐文等.Mahout實戰(zhàn)［M］.王斌等，譯.北京：人民郵電出版社，2014.

［20］邱均平，張聰.高校圖書館館藏資源協(xié)同推薦系統(tǒng)研究［J］.圖書情報工作，2013（22）：132-137.

［21］景民昌，于迎輝.基于借閱時間評分的協(xié)同圖書推薦模型與應(yīng)用［J］.圖書情報工作，2012（3）：117-120.

［22］歐陽劍，曹紅兵.基于聯(lián)機(jī)公共檢索目錄的讀者隱性信息行為個性化書目推薦引［J］.情報理論與實踐，2012 （11）：117-120.

［23］奉國和，黃家興.基于Hadoop與Mahout的協(xié)同過濾圖書推薦研究［J］.圖書情報工作，2013（18）：116-121.

［24］楊京，等.大數(shù)據(jù)背景下數(shù)據(jù)科學(xué)分析工具現(xiàn)狀及發(fā)展趨勢［J］.情報理論與實踐，2015（3）：134-137，144.

［25］王代琳，劉亞秋，王真諦.基于平均差異度的數(shù)字圖書館個性化推薦算法研究［J］.圖書情報工作，2009（11）：119-122.

［26］安德智，劉光明，章恒.基于協(xié)同過濾的圖書推薦模型［J］.圖書情報工作，2011（1）：35-38.

［27］張閃閃，黃鵬.高校圖書館圖書推薦系統(tǒng)中的稀疏性問題實證探析［J］.大學(xué)圖書館學(xué)報，2014（6）：47-53.

［28］胡昌平，孫高嶺.個性化網(wǎng)絡(luò)協(xié)同推薦服務(wù)的擴(kuò)展及其實現(xiàn)［J］.中國圖書館學(xué)報，2008（177）：61-64，45.

［29］徐嘉莉，陳佳.一種快速的個性化書目推薦方法［J］.現(xiàn)代圖書情報技術(shù)，2010（2）：79-84.

［30］田雪筠.基于情境感知的移動電子資源推薦技術(shù)研究［J］.情報理論與實踐，2015（5）：86-89，104.

［31］蘇新寧.大數(shù)據(jù)時代數(shù)字圖書館面臨的機(jī)遇和挑戰(zhàn)？［J/ OL］.中國圖書館學(xué)報，2015（6）.http：//www.cnki.net/kcms/detail/11.2746.G2.20151020.1128.001.html.

樊姍女，1980年生。碩士，館員。

劉丹男，1979年生。本科學(xué)歷，館員。

［分類號］G250.7

收稿日期：（2016-03-30；責(zé)編：姚雪梅。）