張立濱

(遼寧大學(xué)圖書館 遼寧沈陽 110036)

協(xié)同過濾技術(shù)在高校圖書館學(xué)術(shù)資源個性化推薦服務(wù)中的應(yīng)用研究★

張立濱

(遼寧大學(xué)圖書館 遼寧沈陽 110036)

個性化信息服務(wù)是未來圖書館信息服務(wù)的發(fā)展方向。在分析已有的個性化信息服務(wù)應(yīng)用系統(tǒng)基礎(chǔ)上，構(gòu)建了基于協(xié)同過濾技術(shù)的高校圖書館學(xué)術(shù)資源個性化推薦系統(tǒng)理論模型，通過對用戶信息的表示與獲取、鄰集的形成及推薦信息的產(chǎn)生等方面介紹了推薦系統(tǒng)的實現(xiàn)。協(xié)同過濾技術(shù)的應(yīng)用能夠提高高校圖書館學(xué)術(shù)資源個性化推薦服務(wù)的精度和效率。

協(xié)同過濾技術(shù)；高校圖書館；學(xué)術(shù)資源；個性化推薦

隨著現(xiàn)代信息的多元化和高校圖書館的進一步發(fā)展，高校圖書館館藏資源日益豐富，用戶可在其中找到任何自己需要的資源。高校圖書館豐富的館藏資源滿足了廣大用戶的需要，同時也為進一步提高高校師生的整體素質(zhì)提供幫助。然而，豐富的館藏資源會導(dǎo)致信息檢索步驟較為繁瑣，讀者需要輸入多個關(guān)鍵詞才能確定自己想要檢索的信息。目前，一些高校圖書館開通了信息推送功能，圖書館信息服務(wù)系統(tǒng)根據(jù)用戶的點擊熱點、檢索習(xí)慣、個人愛好等向用戶推送相關(guān)信息。信息推送的主要方式有兩種，一是系統(tǒng)向用戶推薦點擊率排在前列的資源。用戶在圖書館中的操作會被系統(tǒng)自動記錄下來，系統(tǒng)會自動根據(jù)資源點擊率將圖書館資源進行排列，區(qū)分出熱門資源和非熱門資源。二是系統(tǒng)向用戶推薦圖書館最新資源。高校圖書館資源的更新速度日益加快，新的熱門資源逐漸被高校圖書館引入。在用戶對高校圖書館系統(tǒng)進行訪問時，系統(tǒng)會自動將最近更新的資源向用戶進行推薦，使得用戶能及時掌握圖書館更新的內(nèi)容。但是，通過對當(dāng)前高校圖書館管理系統(tǒng)資源推薦方式的分析，發(fā)現(xiàn)目前高校圖書館信息服務(wù)系統(tǒng)面向用戶的資源個性化推薦服務(wù)還不完善。針對上述問題，本文建立了一個基于協(xié)同過濾技術(shù)的高校圖書館學(xué)術(shù)資源個性化推薦模型，以提高圖書館信息服務(wù)系統(tǒng)資源個性化推薦服務(wù)效率。

1 個性化推薦服務(wù)概述

個性化推薦服務(wù)主要是指系統(tǒng)在分析用戶喜好、職業(yè)、常檢索資源類型等的基礎(chǔ)上，總結(jié)出符合用戶需求的信息，將系統(tǒng)中滿足該信息的資源向用戶進行推薦[1]。個性化推薦服務(wù)可以實現(xiàn)用戶間經(jīng)驗共享，即對同類型用戶需求習(xí)慣信息進行融合，以期整理出滿足此類用戶信息的數(shù)據(jù)資源。個性化推薦模塊的工作原理為：系統(tǒng)對用戶訪問過的信息資源進行分類總結(jié)，建立用戶信息資源偏好模型；根據(jù)該模型，系統(tǒng)在信息資源庫中查找與此匹配的信息資源，根據(jù)特定的算法生成信息資源推薦內(nèi)容；將信息資源推薦內(nèi)容向用戶進行推薦[2]。個性化推薦服務(wù)算法主要分為三種：基于關(guān)聯(lián)規(guī)則的個性化推薦、基于內(nèi)容過濾的個性化推薦和基于協(xié)同過濾的個性化推薦。

1.1 基于關(guān)聯(lián)規(guī)則的個性化推薦

基于關(guān)聯(lián)規(guī)則的個性化推薦系統(tǒng)主要是根據(jù)用戶的使用習(xí)慣、人的思維習(xí)慣、信息資源的關(guān)聯(lián)性等一般規(guī)則，制定出一種通用的信息資源篩選規(guī)則[3]。當(dāng)用戶登錄系統(tǒng)后，系統(tǒng)將按照該規(guī)則對信息資源進行比對，并將比對結(jié)果向用戶推薦。例如，對于一位正在進行本體知識庫技術(shù)學(xué)習(xí)的用戶來講，當(dāng)他登錄系統(tǒng)并開展本體知識庫信息檢索時，系統(tǒng)會自動向他推薦與本體知識庫相關(guān)的信息資源，如數(shù)據(jù)庫應(yīng)用技術(shù)、本體知識應(yīng)用等信息。

基于關(guān)聯(lián)規(guī)則的個性化推薦主要存在兩個方面的不足。首先，這種關(guān)聯(lián)規(guī)則是無法自動生成的，每次更新都需要系統(tǒng)管理人員手動更新。對于那些過時的關(guān)聯(lián)規(guī)則也需要系統(tǒng)管理人員進行手動刪除或者修改，管理人員工作量較大，關(guān)聯(lián)的精確度不高[4]。其次，在向用戶進行信息資源推薦時所依據(jù)的規(guī)則是之前管理人員制定好的，不能隨著用戶每次檢索信息內(nèi)容的調(diào)整而變化，這就導(dǎo)致推薦的信息資源不能很好的滿足用戶的需求，同時不能很好的發(fā)現(xiàn)用戶潛在的關(guān)注點[5]。

1.2 基于內(nèi)容過濾的個性化推薦

內(nèi)容過濾技術(shù)是信息處理技術(shù)中最基本的一種方法，之后被應(yīng)用于個性化推薦服務(wù)中。基于內(nèi)容過濾的個性化推薦主要是通過機器學(xué)習(xí)、概率統(tǒng)計等技術(shù)實現(xiàn)內(nèi)容過濾[6]。首先，系統(tǒng)會根據(jù)用戶的喜好生成一個用戶信息需求向量，同時系統(tǒng)會對所有文字資源建立分詞標(biāo)引、詞頻統(tǒng)計等加權(quán)信息，并生成文本資源向量。其次，系統(tǒng)根據(jù)用戶信息需求向量和文本資源向量的相似度對比結(jié)果，將相似度高的文本資源向用戶進行推薦。

基于內(nèi)容過濾的個性化推薦可對文本資源建立向量，而對于多媒體資源，如視頻、動畫等資源，雖然可以建立簡單的資源向量，但是所建立的資源向量所表示的內(nèi)容和實際資源內(nèi)容差別較大，不能很好的反映資源的內(nèi)容。目前，常見的數(shù)字資源內(nèi)容豐富多樣，不僅有文本資源，還有動畫、視頻、音頻等資源。由此可知，基于內(nèi)容過濾的個性化推薦存在一定的局限性，不能很好的實現(xiàn)數(shù)字信息資源個性化推薦服務(wù)。

1.3 基于協(xié)同過濾的個性化推薦

與基于關(guān)聯(lián)規(guī)則的個性化推薦和基于內(nèi)容過濾的個性化推薦兩種技術(shù)不同，基于協(xié)同過濾的個性化推薦是在對資源內(nèi)容進行分析計算和與用戶需求資源進行匹配的基礎(chǔ)上為用戶進行推薦的一種技術(shù)。采用該技術(shù)進行個性化推薦的依據(jù)是每個用戶對所屬資源的評分。采用協(xié)同過濾技術(shù)進行推薦時，首先會對用戶的所有特性進行分析，比如用戶的關(guān)注內(nèi)容、職業(yè)等信息，然后通過特定的相似性算法比較多個用戶間的相似性，找出與目標(biāo)用戶相似性比較高的多個用戶，最后根據(jù)用戶對資源的打分情況，將打分最高的多個資源向目標(biāo)用戶進行推薦[7]。

該推薦技術(shù)主要有以下三個特點。一是使用范圍廣。與其他個性化推薦技術(shù)的不同之處在于該推薦技術(shù)所采用的算法中起決定作用的是用戶對資源的評分，而非資源的內(nèi)容或者資源的形式。這一特點使得該推薦技術(shù)不僅對文本資源適用，而多媒體資源，如視頻、動畫、音頻等同樣也可以使用。二是有準(zhǔn)確的推薦精度。該推薦技術(shù)是建立在用戶對資源的評分上，如果一種資源得分較高，說明用戶對該資源的滿意度較高，根據(jù)該推薦技術(shù)，將評分較高的資源推薦給目標(biāo)用戶，使得推薦結(jié)果能更好的被目標(biāo)用戶接受[8]。三是可以將優(yōu)勢資源進行共享。該推薦技術(shù)是通過目標(biāo)用戶的相似用戶預(yù)測評分，這可以使得相似用戶之間可以彼此分享資源使用經(jīng)驗，通過資源分享可以發(fā)現(xiàn)目標(biāo)用戶潛在的喜好，使得推薦更為有效。因此，協(xié)同過濾的個性化推薦能更準(zhǔn)確地找到用戶的喜好，實現(xiàn)用戶間經(jīng)驗共享。

2 學(xué)術(shù)資源個性化推薦模型

前文我們對基于協(xié)同過濾的個性化推薦算法及工作原理進行了分析，在此基礎(chǔ)上建立個性化推薦模型。該模型主要包括：基于協(xié)同過濾技術(shù)的推薦引擎、基于知識庫技術(shù)的數(shù)據(jù)支持和新進資源的推薦等三個模塊組成，如圖1所示。

2.1 數(shù)據(jù)支持模塊

該模塊為整個學(xué)術(shù)資源個性化推薦服務(wù)系統(tǒng)的核心數(shù)據(jù)部分，它由多個數(shù)據(jù)庫構(gòu)成，其中包括：用戶信息庫、學(xué)習(xí)行為數(shù)據(jù)庫、學(xué)術(shù)信息資源庫及用戶評分數(shù)據(jù)庫。

圖1 基于協(xié)同過濾的學(xué)術(shù)資源個性化推薦模型

(1)用戶信息庫。該數(shù)據(jù)庫主要用于存放用戶的基本信息和個人喜好信息?；拘畔ㄓ脩粜彰⒚艽a、賬號、電子郵箱、微信號、QQ號等信息；個人喜好信息包括用戶檢索頻率高的詞組、用戶瀏覽文獻的類別、用戶瀏覽的學(xué)科信息等。為了方便系統(tǒng)協(xié)同過濾推薦，對用戶個人喜好信息掌握的越多越好。

(2)學(xué)習(xí)行為數(shù)據(jù)庫。該數(shù)據(jù)庫主要用于存放用戶的學(xué)習(xí)行為過程數(shù)據(jù)。通過對用戶在系統(tǒng)中的整個操作過程所產(chǎn)生軌跡信息及緩存信息進行存儲，通過數(shù)據(jù)挖掘?qū)τ脩舻膶W(xué)習(xí)行為進行歸類總結(jié)，得出用戶在使用圖書館學(xué)術(shù)資源數(shù)據(jù)的偏好，如用戶閱讀下載學(xué)術(shù)資源類型、收藏學(xué)術(shù)資源的學(xué)科等。該數(shù)據(jù)庫也是用戶評分模塊的數(shù)據(jù)來源。

(3)學(xué)術(shù)資源信息庫。該數(shù)據(jù)庫為整個學(xué)術(shù)資源的一個倉庫，整個學(xué)術(shù)資源信息均存儲在該數(shù)據(jù)庫中，包括期刊信息、碩士博士論文信息、專家學(xué)者信息等。

(4)用戶評分數(shù)據(jù)庫。該數(shù)據(jù)庫主要用于存儲用戶對每個資源信息點擊瀏覽、下載的頻次，該頻次在一定程度上反映出學(xué)術(shù)資源信息的熱門程度。同時，該數(shù)據(jù)庫也為協(xié)同過濾算法提供有力支撐。

2.2 協(xié)同過濾個性化服務(wù)推薦引擎

協(xié)同過濾個性化服務(wù)推薦引擎是學(xué)術(shù)資源個性化推薦服務(wù)系統(tǒng)的大腦，是實現(xiàn)個性化推薦服務(wù)的技術(shù)支撐，具體實現(xiàn)流程如圖2所示。

2.3 新購買學(xué)術(shù)資源的推薦

該模塊主要根據(jù)系統(tǒng)用戶的不同喜好，對新購買資源進行分類，在用戶訪問系統(tǒng)時可以實現(xiàn)新購買的學(xué)術(shù)資源進行推薦。新購買學(xué)術(shù)資源由于知道的用戶不多，很多資源處于閑置狀態(tài)，不能真正發(fā)揮新進資源的作用，進而造成資源的浪費。該模塊根據(jù)用戶資源評分數(shù)據(jù)庫中的數(shù)據(jù)進行相似性判斷，然后按照特定的規(guī)則將新購買的學(xué)術(shù)資源進行分類推薦，以提高學(xué)術(shù)資源的利用率。

圖2 學(xué)術(shù)資源個性化推薦中推薦引擎的實現(xiàn)流程圖

3 學(xué)術(shù)資源個性化推薦服務(wù)系統(tǒng)的實現(xiàn)

3.1 推薦服務(wù)系統(tǒng)中用戶信息的獲取與表示

用戶信息數(shù)據(jù)主要包括：用戶注冊的基本信息、用戶學(xué)習(xí)數(shù)據(jù)信息和用戶行為數(shù)據(jù)信息。學(xué)術(shù)資源個性化推薦服務(wù)系統(tǒng)實現(xiàn)的關(guān)鍵環(huán)節(jié)是用戶行為數(shù)據(jù)的獲取，是學(xué)術(shù)資源個性化推薦的依據(jù)。用戶行為數(shù)據(jù)的獲取主要有顯式獲取和隱式獲取兩種。顯式獲取主要是指用戶通過對學(xué)術(shù)資源進行打分或者點贊來獲??；隱式獲取主要是指系統(tǒng)通過對用戶學(xué)術(shù)資源的使用習(xí)慣、資源的獲取類型等進行數(shù)據(jù)挖掘，得出用戶的需求和偏好。目前，系統(tǒng)常見的獲取方式為顯式獲取。隱式獲取需要在系統(tǒng)中植入數(shù)據(jù)挖掘模塊，同時建立該模塊與知識庫、顯式終端的聯(lián)系來實現(xiàn)。

3.2 協(xié)同過濾技術(shù)中鄰集的形成

通過使用協(xié)同過濾技術(shù)向系統(tǒng)登錄用戶進行學(xué)術(shù)資源個性化推薦時，一個很重要的步驟就是建立用戶個性需求鄰集。鄰集指的是與目標(biāo)用戶有相同或者相似個人愛好的用戶群。在鄰集的形成過程中需要系統(tǒng)根據(jù)目標(biāo)用戶的數(shù)據(jù)輸入，按照特定的規(guī)則自動分析數(shù)據(jù)庫中存有類似數(shù)據(jù)的數(shù)據(jù)集，然后進行數(shù)據(jù)調(diào)用。目前常用的數(shù)據(jù)相似性分析方法有余弦相似性分析法、相關(guān)相似性分析法等，每個方法都有優(yōu)勢和劣勢。本系統(tǒng)在上述兩種方法分析的基礎(chǔ)上，將余弦相似性分析法和相關(guān)相似性分析法進行了有機結(jié)合，在鄰集的形成過程中發(fā)揮這兩種方法的優(yōu)勢，規(guī)避其劣勢，保證鄰集形成的準(zhǔn)確性。

3.3 學(xué)術(shù)資源個性化推薦的產(chǎn)生

學(xué)術(shù)資源個性化推薦的產(chǎn)生是整個協(xié)同過濾技術(shù)的最后一個步驟。個性化推薦數(shù)據(jù)是在鄰集形成基礎(chǔ)上，通過比對相似性而得出的。不同的相似性有不同的得分，不同的得分體現(xiàn)學(xué)術(shù)資源的推薦質(zhì)量的優(yōu)劣。相似性高的鄰集會使預(yù)測結(jié)果更為準(zhǔn)確，相似性低的鄰集使得整個預(yù)測準(zhǔn)確性降低，甚至不符合用戶的需求。由此可知，在整個協(xié)同過濾技術(shù)的實現(xiàn)中，如何選擇鄰集是整個協(xié)同過濾結(jié)果的關(guān)鍵，需要精確設(shè)定比對規(guī)則，然后選擇合適的相似性分析方法。

4 結(jié)語

協(xié)同過濾技術(shù)最早產(chǎn)生于電子商務(wù)領(lǐng)域，一經(jīng)問世便取得了很大的成功。本文將協(xié)同過濾技術(shù)引入到高校圖書館學(xué)術(shù)資源個性化推薦服務(wù)領(lǐng)域，使其能更好地為圖書館用戶提供便捷、高效的服務(wù)。但是系統(tǒng)仍存在不足之處，主要體現(xiàn)在：用戶學(xué)習(xí)興趣愛好是動態(tài)變化的，這將對協(xié)同過濾技術(shù)中規(guī)則的制定提出了挑戰(zhàn)；用戶評分信息的顯示獲取給用戶的操作帶來不便，采用何種方式可以在避免用戶操作的同時又可直接獲取用戶評分信息值得深入研究。

[1]楊焱,孫鐵利,邱春艷.個性化推薦技術(shù)的研究[J].信息工程大學(xué)學(xué)報,2005,6(2):84-87.

[2]趙艷霞.基于關(guān)聯(lián)規(guī)則的推薦系統(tǒng)再電子商務(wù)中的應(yīng)用[J].價值工程,2006,25(5):88-91.

[3]楊焱.基于項目聚類的協(xié)同過濾推薦算法的研究[D].長春:東北師范大學(xué)，2005:19-32.

[4]曾艷,麥永浩.基于用戶評分的關(guān)聯(lián)規(guī)則挖掘協(xié)同推薦[J].計算機工程,2005,31(15):87-89.

[5]鄧先箴.基于關(guān)聯(lián)規(guī)則的推薦算法研究與應(yīng)用[D].上海:華東師范大學(xué),2009:13-45.

[6]王艷,景韶光,李雪耀，等.基于分類方法的內(nèi)容過濾推薦技術(shù)[J].情報技術(shù),2005,(8):59-62.

[7]曾春,邢春曉,周立柱.基于內(nèi)容過濾的個性化搜索算法[J].軟件學(xué)報,2003,14(5):999-1004.

[8]白麗君.基于內(nèi)容和協(xié)作的科技文獻過濾方法研究[D].太原:山西大學(xué),2003:27-39．

Research on the Application of Collaborative Filtering Technology in the Personalized Recommendation Service for Academic Resources of University Libraries

Zhang Li-bin

Personalized information service is the development direction of future library information service. On the basis of the analysis of the existing application system of personalized information service, a theoretical model of the personalized recommendation system for academic resources of university libraries based on collaborative filtering technology is constructed. This paper introduces the implementation of recommendation system from aspects of the representation and acquisition of user information, the formation of neighbors and the generation of recommendation information. The application of collaborative filtering technology can improve the accuracy and efficiency of the personalized recommendation service of academic resources in university libraries.

Collaborative Filtering Technology；University Libraries；Academic Resources；Personalized Recommendation

本文系2016年度遼寧經(jīng)濟社會發(fā)展立項課題“基于數(shù)據(jù)挖掘技術(shù)的圖書館管理系統(tǒng)功能完善研究”項目(2016lslktzitsg-03)、2017年遼寧省高等學(xué)校圖書情報工作委員會基金“圖書館電子資源統(tǒng)計指標(biāo)及績效評價研究”項目(LTB201702)的研究成果。

G250.7

A

10.13897j.cnki.hbkjty.2017.0080

張立濱(1982-)，女，遼寧大學(xué)圖書館館員，研究方向：參考咨詢、云計算、閱讀推廣。

2017-03-26 責(zé)任編輯：張靜茹)