高校图书馆图书推荐技术的研究

《高校图书馆图书推荐技术的研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、高校图书馆图书推荐技术的研究摘要：该文介绍了三种高校图书馆广泛采用的图书推荐技术：基于内容的推荐技术、基于协同过滤的推荐技术和基于关联规则的推荐技术，详细说明了此三项技术的基本原理及步骤，并进行了优劣势分析。中国8/vie　　关键词：图书推荐；基于内容；协同过滤；关联规则　　中图分类号：TP311文献标识码：A：1009-3044（2017）02-0005-03　　近年来，随着图书馆信息化、数字化建设的不断发展，馆际资源共享和优秀数据库的引入分流了部分纸质图书的读者。与此同时，随着电子技术的高速发展，电子书阅读器类应

2、用软件普遍地出现在诸如平板电脑、智能手机等移动终端设备上。凭借操作简单、便于携带、书籍种类丰富等特点，该类应用软件已获得大量用户群。读者们的阅读模式正在发生改变，电子资源对纸质书籍产生着强烈的冲击。　　传统的图书查找方式是：读者以关键词进行检索，再从检索结果中筛选感兴趣的书目，或是面对同一领域的大量纸质书籍，逐一筛选感兴趣的书目，但随着图书馆馆藏纸质书籍数量与日俱增，传统图书查找方式的时间消耗也在不断增长，增大了读者查找图书的难度。虽然图书馆在“新书推荐”、“月借阅排行榜”等中为读者提供了图书推荐服务，但所采用的图书

3、推荐方式大多是将特定书目笼统地推荐给所有用户，传统的图书推荐方式对不同读者的针对性较差，个性化图书推荐技术应运而生。　　个性化图书推荐技术，通过对图书馆存储的图书流通历史数据进行挖掘和分析，猜测读者喜好和需求、预测读者行为[1]，从而有针对性地将不同图书推荐给不同读者，弥补了传统图书推荐方式的不足。　　个性化图书推荐技术主要包括基于内容的推荐技术、基于协同过滤的推荐技术和基于关联规则的推荐技术等[2]。　　1基于内容的推荐技术　　基于内容的推荐技术（Content-basedremendations，简称CB）最早被

4、应用于信息检索和过滤领域[3]，其基本原理是：为读者推荐与其借阅历史中书目相似的书目，其基本假设是：“若某读者借阅过某图书，则该读者对与该图书相似的其他图书感兴趣。”　　实现基于内容的推荐技术一般包括以下三个步骤[4]：　　1）特征抽取　　为每本图书抽取出若干特征，用该特征信息来描述图书。抽取的特征包括结构化特征和非结构化特征。结构化特征如书名、作者等，意义明确，可直接使用；非结构化特征，如图书中的具体内容等，意义不明确，不能直接使用，需要进行处理加工。文本类非机构化特征一般采用特征词向量的描述方法。特征词常用TF-

5、IDF[5]统计方法抽取。词频（TermFrequency，简称TF）表示词对该图书的表征特性，如果该词在当前图书中的出现次数多，在整个图书馆其他图书中出现的次数少，则认为该词对于当前图书的表征较好，适合作为当前图书的类别特征；逆向文件频率（InverseDocumentFrequency，简称IDF）即在图书馆所有图书集中出现的逆频，用来表征词语在整个语料库的重要性，该词在馆藏图书中出现的次数越少，则该词在图书中的区分率越高，其重要性也越高。　　描述图书，可以利用抽取出的特征为每本图书构建向量空间模型（Vector

6、SpaceModel，简称VSM）。　　2）特征学习　　利用读者过去喜欢（或不喜欢）的图书的特征数据学习读者对图书的喜好特征。　　3）推荐生成　　比较目标读者喜好特征与候选图书特征，为目标读者推荐最相似的图书。　　利用余弦相似度计算目标读者喜好特征与候选图书的相似性，目标读者[u]喜好构成[U]向量，候选图书[b]向量为[B]，则二者的余弦相似度[sim（u，b）]计算方法如公式（1）所示，夹角越小，相似度则越高。　　[sim（u，b）=cos（U，B）=U×BU*B]（1）　　基于内容推荐技术只需考虑目标读者喜好，

7、而不用考虑其他用户喜好，数据源独立。针对新书，也可以很好地进行有针对性的推荐；推荐结果直观，易于解释。不能挖掘读者潜在的喜好点，只是推荐与原有喜好相似的图书，缺乏创新。对于新读者而言，因缺乏其借阅数据将无法向其进行图书推荐。　　2基于协同过滤的推荐技术　　1992年Goldberg等人为解决资讯过载的问题，在研究型邮件推荐系统Tapestry中提出了协同过滤（CollaborativeFiltering，简称CF）[6]，基本思想是利用“人群的智慧”对信息进行过滤，其基本假设是：具有相同或相似兴趣喜好的读者的图书需求

8、也是相似的[7]。　　实现协同过滤技术通常需要以下3个步骤[8]：　　1）收集读者偏好　　收集显性读者反馈和隐形读者反馈。所谓显性读者反馈，是指能够明确反馈读者喜好的信息，但需要读者付出额外的代价，例如读者对图书的评分、评论等。所谓隐性的读者反馈，是指通过对读者行为进行分析和处理获得读者喜好，不需要读者付出额外的代价，是读者在使用网站时产生的数