孫常麗+王國(guó)軍+石丹+金松跟+胡艷君+武麗影

[摘 要]文章概述了高醫(yī)院校圖書(shū)館構(gòu)建薦讀系統(tǒng)可行性，對(duì)推薦系統(tǒng)中的核心技術(shù)——推薦算法進(jìn)行了探討，同時(shí)進(jìn)行了高醫(yī)院校推薦系統(tǒng)的推薦模式的創(chuàng)新性設(shè)計(jì)，簡(jiǎn)述了基于局部數(shù)據(jù)的推薦模式的實(shí)現(xiàn)過(guò)程，對(duì)國(guó)內(nèi)圖書(shū)館提供推薦服務(wù)的未來(lái)做出了展望。

[關(guān)鍵詞]高醫(yī)院校圖書(shū)館；推薦系統(tǒng)；推薦技術(shù)；推薦算法；推薦服務(wù)

[DOI]10.13939/j.cnki.zgsc.2017.15.053

高醫(yī)院校圖書(shū)館的使命是提供專業(yè)的圖書(shū)館信息服務(wù)以滿足醫(yī)療、教學(xué)、科研的需求，完成高醫(yī)院校的使命——通過(guò)將一棵棵醫(yī)學(xué)“嫩苗”培育成“參天大樹(shù)”而貢獻(xiàn)社會(huì)。圖書(shū)推薦服務(wù)作為高校圖書(shū)館信息服務(wù)之一，它的發(fā)展有其迫在眉睫的理由，原因在于高醫(yī)院校圖書(shū)館的藏書(shū)非常專業(yè)，加上醫(yī)學(xué)知識(shí)膨脹日益加速，廣大師生很難從眾多醫(yī)學(xué)藏書(shū)中找到自己需要的圖書(shū)。那么，如何將這些醫(yī)學(xué)專業(yè)圖書(shū)推薦給真正需要它的讀者，就成為了目前各大高醫(yī)院校圖書(shū)館迫切需要解決的問(wèn)題。因此，圖書(shū)館作為信息交匯和資源共享平臺(tái)，構(gòu)建圖書(shū)薦讀系統(tǒng)（即推薦系統(tǒng)）變得十分必要。本文提出了在高校圖書(shū)館領(lǐng)域構(gòu)建基于局部數(shù)據(jù)的圖書(shū)薦讀系統(tǒng)，既能很好地滿足廣大師生的信息需求，同時(shí)也能夠通過(guò)這種主動(dòng)推薦的模式幫助更多師生節(jié)省查找圖書(shū)資料的時(shí)間，提高工作學(xué)習(xí)效率。

1 高醫(yī)院校圖書(shū)館構(gòu)建薦讀系統(tǒng)的可行性分析

高校圖書(shū)館擁有豐富的藏書(shū)資源，是知識(shí)和信息的集散地，但是在知識(shí)爆炸的時(shí)代，移動(dòng)設(shè)備頻頻更新?lián)Q代，讀者閱讀行為已經(jīng)改變，如果圖書(shū)館不能推出新的面向讀者的服務(wù)方式，高校圖書(shū)館將無(wú)法很好發(fā)揮其資源的優(yōu)勢(shì)。在這種環(huán)境下，本文對(duì)在高校圖書(shū)館領(lǐng)域構(gòu)建基于局部數(shù)據(jù)的圖書(shū)薦讀系統(tǒng)做了可行性研究。

近年來(lái)，推薦系統(tǒng)在各個(gè)領(lǐng)域內(nèi)逐漸興起，并得到越來(lái)越廣泛的應(yīng)用，目前在圖書(shū)館領(lǐng)域應(yīng)用推薦系統(tǒng)的同樣比比皆是，除了各自采用不同的推薦技術(shù)之外，目的都是為讀者提供更快更好的信息推送服務(wù)，其中斯坦福大學(xué)的Fab推薦系統(tǒng)，它將基于內(nèi)容和協(xié)同過(guò)濾算法結(jié)合起來(lái)，采用混合推薦技術(shù)為特定用戶進(jìn)行推薦；加州大學(xué)的Melvy推薦系統(tǒng)，它采用了兩種生成推薦系統(tǒng)的方法：一種是利用圖書(shū)館的流通數(shù)據(jù)進(jìn)行推薦，另一種是基于相似性的推薦；美國(guó)俄勒岡的SERF推薦系統(tǒng)是一種通過(guò)寫(xiě)作過(guò)濾的新型搜索引擎；在國(guó)內(nèi)，雖然也有高校圖書(shū)館推出了推薦系統(tǒng)，但并不普遍，其中中國(guó)人民大學(xué)圖書(shū)館的推薦系統(tǒng)比較成型，它同樣采用了混合的推薦模式為讀者推送書(shū)目信息。從技術(shù)的角度講，推薦系統(tǒng)在國(guó)際上已有成熟范例，而國(guó)內(nèi)圖書(shū)館領(lǐng)域仍屬于起步階段，需我們各大高校共同努力，實(shí)現(xiàn)圖書(shū)館領(lǐng)域的智能圖書(shū)推薦。[1]

2 各種推薦算法比較分析

目前，推薦系統(tǒng)在各行各業(yè)中應(yīng)用廣泛，其核心算法已經(jīng)基本成熟，主要分為以下三種。

2.1 基于內(nèi)容過(guò)濾的推薦算法

該算法通常使用機(jī)器學(xué)習(xí)，向量空間，聚類等多種方法，進(jìn)行文本挖掘。這個(gè)算法推薦結(jié)果直觀，容易解釋，且不需要領(lǐng)域知識(shí)，但是由于物品屬性有限，相似度分析又僅僅依賴于物品本身的特征，其復(fù)雜的屬性不好處理，所以很難得到有效數(shù)據(jù)，且存在稀疏性問(wèn)題和新用戶問(wèn)題。

2.2 協(xié)同過(guò)濾推薦算法

它是在用戶對(duì)于一些項(xiàng)目或新聞資訊的評(píng)分或可以表達(dá)用戶喜好的行為的基礎(chǔ)上，查找具有相同興趣愛(ài)好或行為的用戶，以此來(lái)為目標(biāo)用戶推薦一些他們可能會(huì)感興趣的資料的技術(shù)。這種算法是目前較常用的推薦技術(shù)，它的優(yōu)點(diǎn)是與領(lǐng)域無(wú)關(guān)，發(fā)現(xiàn)速度更快，性能隨著時(shí)間推移會(huì)提高，其推薦個(gè)性化、自動(dòng)化程度都很高，能處理復(fù)雜的非結(jié)構(gòu)化對(duì)象；但是，存在稀疏性問(wèn)題、可擴(kuò)展問(wèn)題和新用戶問(wèn)題。[2]

2.3 基于關(guān)聯(lián)規(guī)則的推薦

這種方法需要挖掘數(shù)據(jù)的依賴關(guān)系，找到同時(shí)被購(gòu)買(mǎi)的物品，這些用戶還買(mǎi)了哪些其他物品，這就是關(guān)聯(lián)規(guī)則，掌握這些就可以對(duì)用戶成功的實(shí)現(xiàn)物品推薦。這種方法優(yōu)點(diǎn)是可以充分利用大量的讀者數(shù)據(jù)，挖掘讀者潛在借閱模式，缺點(diǎn)是關(guān)聯(lián)規(guī)則挖掘本身復(fù)雜，非專業(yè)人士難以理解挖掘結(jié)果，而且會(huì)出現(xiàn)產(chǎn)品名同義性問(wèn)題，個(gè)性化程度比較低。[3]

3 基于局部數(shù)據(jù)的協(xié)同過(guò)濾推薦算法的采用

在高醫(yī)院校圖書(shū)館中進(jìn)行圖書(shū)，推薦物品為圖書(shū)，用戶為特定的讀者群（廣大師生），以上三種常用的推薦方法，有其自身的優(yōu)勢(shì)，同樣也有弊端。

第一，高校圖書(shū)館管理系統(tǒng)中關(guān)于圖書(shū)的元信息十分有限。以牡丹江醫(yī)學(xué)院圖書(shū)館金盤(pán)管理系統(tǒng)為例，在金盤(pán)管理系統(tǒng)中，圖書(shū)的元數(shù)據(jù)只有題名、著者、出版社、期等信息，沒(méi)有圖書(shū)簡(jiǎn)介，也沒(méi)有圖書(shū)的相關(guān)內(nèi)容，并且，在我們的傳統(tǒng)圖書(shū)館管理系統(tǒng)中也不提供讀者評(píng)論的平臺(tái)，而協(xié)同過(guò)濾推薦算法具有內(nèi)容無(wú)關(guān)性，這種特性可以彌補(bǔ)我們傳統(tǒng)圖書(shū)館中的元數(shù)據(jù)十分單一的不足。

第二，目前，牡丹江醫(yī)學(xué)院圖書(shū)館的金盤(pán)集成管理系統(tǒng)大概擁有100萬(wàn)條讀者借閱記錄，據(jù)統(tǒng)計(jì)每年產(chǎn)生10萬(wàn)余條數(shù)據(jù)，這些借閱數(shù)據(jù)會(huì)越來(lái)越多，這些數(shù)據(jù)都會(huì)被圖書(shū)館管理系統(tǒng)記錄并保存下來(lái)，它們將會(huì)成為推薦系統(tǒng)進(jìn)行推薦行為的數(shù)據(jù)來(lái)源，會(huì)及時(shí)更新我們對(duì)推薦系統(tǒng)的認(rèn)知。

第三，便于隱式反饋數(shù)據(jù)的積累，在高校，讀者借閱日志的產(chǎn)生是圖書(shū)館管理系統(tǒng)自動(dòng)生成的，無(wú)須讀者的任何協(xié)助行為，相比一般推薦系統(tǒng)中常用的需要用戶參與集中“評(píng)分?jǐn)?shù)據(jù)”，更易獲取，同時(shí)，這種獲取方式不會(huì)給高校讀者帶來(lái)任何額外的負(fù)擔(dān)。

第四，讀者的借閱數(shù)據(jù)更能反映讀者的真實(shí)借閱需求。在高醫(yī)院校，讀者借閱數(shù)據(jù)是能夠真實(shí)地反映高校讀者需求的數(shù)據(jù)，雖然借閱行為是屬于用戶的“隱式反饋”行為，但這種數(shù)據(jù)相比在互聯(lián)網(wǎng)上記錄一個(gè)用戶是否讀過(guò)一篇新聞更具參考價(jià)值，可行度更高。

第五，盡量減少推薦系統(tǒng)的實(shí)現(xiàn)對(duì)現(xiàn)有圖書(shū)管理系統(tǒng)的影響。推薦系統(tǒng)的實(shí)現(xiàn)往往會(huì)對(duì)高校圖書(shū)館管理系統(tǒng)造成影響，這是我們擔(dān)憂的問(wèn)題之一，同時(shí)我們也擔(dān)心推薦系統(tǒng)會(huì)泄露讀者的個(gè)人隱私，所以，如果我們的推薦是基于用戶借閱數(shù)據(jù)的，我們只需要按時(shí)導(dǎo)出我們需要的那一部分?jǐn)?shù)據(jù)即可，對(duì)原有圖書(shū)館管理系統(tǒng)沒(méi)有任何其他的操作，不會(huì)對(duì)其造成任何影響。[4]

基于以上因素的考慮，及幾種推薦算法的優(yōu)劣對(duì)比分析，本文提出了基于局部近鄰搜索的方法，即基于局部用戶數(shù)據(jù)的協(xié)同過(guò)濾推薦算法來(lái)構(gòu)建圖書(shū)薦讀系統(tǒng)，該算法在協(xié)同過(guò)濾推薦算法的基礎(chǔ)上進(jìn)行了改良創(chuàng)新，其基本思想是假設(shè)如果某些讀者同時(shí)喜歡某一專業(yè)或某一類別的圖書(shū)，那么他們對(duì)其他專業(yè)或類別的圖書(shū)的喜愛(ài)也比較相似，即評(píng)分相似，當(dāng)然，這種算法尤其適合高校進(jìn)行圖書(shū)推薦，原因在于高校由于其按專業(yè)進(jìn)行劃分的這種特點(diǎn)，在挑選圖書(shū)時(shí)，相同專業(yè)的讀者往往會(huì)挑選相同或相似類別的圖書(shū)，因此我們?cè)谶M(jìn)行推薦方法設(shè)計(jì)時(shí)創(chuàng)新性地采用了讀者局部數(shù)據(jù)，即采用相同專業(yè)的讀者借閱數(shù)據(jù)來(lái)進(jìn)行圖書(shū)推薦服務(wù)，這種方法區(qū)別于以往的利用全校讀者的借閱數(shù)據(jù)來(lái)發(fā)掘讀者潛在興趣的推薦模式，可以提供更為準(zhǔn)確的圖書(shū)推薦服務(wù)[5]。

4 結(jié) 論

將推薦系統(tǒng)應(yīng)用于圖書(shū)館領(lǐng)域，既能很好地滿足廣大師生的信息需求，同時(shí)也能夠通過(guò)這種主動(dòng)推薦的模式幫助更多師生節(jié)省查找圖書(shū)資料的時(shí)間、提高工作學(xué)習(xí)效率，提高圖書(shū)館現(xiàn)有資源的利用率，節(jié)省讀者查找所需圖書(shū)資料的時(shí)間，為高校教學(xué)科研提供極大便利。目前，國(guó)內(nèi)很少有成熟的推薦系統(tǒng)應(yīng)用在高校圖書(shū)館領(lǐng)域，由于構(gòu)建推薦系統(tǒng)的算法多種多樣，各具優(yōu)勢(shì)，各大高校應(yīng)該根據(jù)自己院校的特點(diǎn)進(jìn)行選擇，適當(dāng)創(chuàng)新，以促進(jìn)推薦系統(tǒng)在未來(lái)高校圖書(shū)館中的發(fā)展應(yīng)用。

參考文獻(xiàn)：

[1]張閃閃，黃鵬.高校圖書(shū)館圖書(shū)推薦系統(tǒng)中的稀疏性問(wèn)題實(shí)證探析[J].大學(xué)圖書(shū)館學(xué)報(bào)，2014（6）：47-53.

[2]艾磊，趙輝.基于知識(shí)的推薦系統(tǒng)用戶交互模型研究[J].軟件導(dǎo)刊，2015（3）：15-17.

[3]吳玉春，龍小建.基于關(guān)聯(lián)規(guī)則的圖書(shū)借閱數(shù)據(jù)挖掘[J].江蘇科技信息，2016（1）：12-14.

[4]董坤.基于協(xié)同過(guò)濾算法的高校圖書(shū)館圖書(shū)推薦系統(tǒng)研究[J].現(xiàn)代圖書(shū)情報(bào)技術(shù)，2011（11）：44-47.

[5]張瑤.面向高校圖書(shū)館的推薦系統(tǒng)研究與實(shí)現(xiàn)[D].泉州：華僑大學(xué)，2013.