柴荣

摘 要： 为了获得更加理想的图书馆书推荐效果，设计了一种图书馆书目协同智能推荐系统。首先设计了图书馆书目协同智能推荐系统的总体结构，然后利用文献引证关系度量读者兴趣度量范围，采用采用协同过滤算法计算读者相似度，获取与读者感兴趣相似的结果，最后根据相似度得到读者对每种图书感兴趣的评价值，并根据评价值进行图书馆书目智能推荐。仿真实验结果表明，该系统可以获得最优的推荐图书馆书目，读者对图书馆书目推荐结果的满意度高。

关键词： 图书馆书目; 协同过滤; 智能推荐; 检索结果

中图分类号： G 250      文献标志码： A

Design and Implementation of Library Bibliographic Collaborative Intelligent Recommendation System

CHAI Rong

（Library， Xi'an Aviation Vocational and Technical College， Xi'an， Shanxi 710089， China）

Abstract：

In order to get more ideal effect of library book recommendation， a library book collaborative intelligent recommendation system is designed. First， the overall structure of library bibliography collaborative intelligent recommendation system is designed， then the scope of reader's interest measurement is measured by literature citation relationship， the reader's similarity is calculated by collaborative filtering algorithm， and the result being similar to the reader's interest is obtained. Finally， the evaluation value of reader's interest in each kind of book is obtained according to the similarity， and library bibliography intelligence is carried out according to the evaluation value. The simulation results show that the system can get the best library bibliography recommendation， and the readers are satisfied with the result of library bibliography recommendation.

Key words：

library bibliography; collaborative filtering; intelligent recommendation; retrieval results

0 引言

數字图书馆中包含大量图书书目，读者所具有信息获取能力有限，无法获取最广泛的图书选取途径，将书目推荐系统应用于数字图书馆管理中，书目推荐系统提供给读者具有针对性的书目信息资源，为读者选取合适图书提供判断依据，书目推荐系统可从大量图书馆信息资源中，选取读者需要信息并展示至读者，节省读者挑选图书时间[1-2]。

协同智能推荐是通过协同过滤算法推荐读者所需书目的个性化推荐方法，协同智能推荐包括读者协同过滤以及物品协同过滤两方面，系统可依据读者购买以及浏览记录挖掘与之相关的图书信息并发送到读者界面实现推荐[3]。协同推荐是以大数据为依托的推荐方式，协同推荐需要从大量数据中挖掘相关数据，需要较高的计算机存储能力、计算能力才可实现数据挖掘，高质量计算机软件、硬件背景才可维持图书馆书目协同智能推荐良好运行[4-6]。

协同推荐已被广泛应用于社交媒体以及电子商务中，结合高校图书馆环境特点，设计了一种图书馆书目协同智能推荐系统，并对其性能进行了测试。

1 图书馆书目协同智能推荐系统的设计与实现

1.1 系统总体设计

图书馆书目协同智能推荐系统总体结构图，如图1所示。

通过图1可以看出，图书馆书目协同智能推荐系统主要包括书目推荐模块以及管理模块两部分。系统图书书目信息利用书目推荐模块展示至读者阅读界面，其中书目推荐模块包括借阅排行榜、精品图书推荐、相似图书推荐以及新书推荐四部分，系统通过协同过滤算法实现不同类型图书的推荐，系统可检索图书馆信息库全部图书，便于读者检索并阅读图书相关信息;系统管理员利用管理模块实现图书添加、修改以及删除，并实时更新与动态发布图书信息[7]。

1.2 书目协同过滤算法

采用协同过滤算法实现书目的智能推荐，先采集读者感兴趣图书信息资源，并采用有效方法分析所采集资源，获取读者兴趣偏好，实现最终智能图书信息资源推荐，利用所获取的图书信息资源寻找潜在读者[8]。读者兴趣准确评价是书目协同过滤算法基础，以往通过读者浏览、保存以及打印图书资源评价读者兴趣，评价效率较差，无法实现智能化。利用文献引证关系度量读者对该图书的引证文献以及参考文献所具有兴趣，即读者兴趣度量范围评价[9]。设x与y分别为读者以及图书，则x对y的偏好程度如式（1）所示。

当读者打印、保存以及收藏图书以及读者为图书信息资源作者（包括曾发表参考文献以及引证文献）时，Bxy=1。当读者仅浏览图书并未打印、保存以及引用图书时，Bxy=0。lxy、σ1以及σ2分别表示读者浏览图书时间以及浏览时间长度阈值;读者浏览图书时间小于σ2且大于σ1时，表明该读者对该图书感兴趣;读者浏览图书时间大于σ2时，表明该操作无效;读者浏览图书时间小于σ1时，表明该读者仅经过该页面;Len（i）为图书长度[10]。

依据所获取读者兴趣相似性推荐图书资源的过程即协同过滤算法，将与目前读者相似度较高的其余读者兴趣推荐至目前读者，即利用目前读者评价图书感兴趣程度以及与其相似读者评价图书感兴趣程度，获取未评价该图书读者感兴趣程度，并将该图书推荐至感兴趣程度较高读者。

设读者集合X={x1，x2，…，xm}和图书信息项目集合为：Y={y1，y2，…，yn}，Yx表示读者x已评价过兴趣的图书资源集合。利用读者与图书组成的资源评价矩阵Rm*n生成读者-资源近邻居集M。系统利用当前读者xk的历史记录评价读者兴趣，并计算与访问行为较为相近的多读者形成读者xk的最近邻居集，选取读者xk未浏览而邻居读者浏览的图书信息资源形成候选推荐集合，获取推荐集合中读者xk受图书资源y的推荐度，读者xk的top_N即推荐度排名较为靠前的图书资源。图书馆书目协同过滤算法步骤如下：

输入：此时读者xk、完成兴趣评价图书信息项Yxk、读者-资源近邻居集合M;

输出：此时读者M的top_N推荐集;

算法过程：

（1） 设图书信息项y∈Yxk，从M内获取最近邻居集Zy={x1，x2，…，xz}，将全部最近邻居集合并获取集合G={x1，x2，…，xg};

（2） 计算集合G内全部读者xy与此时读者xk的读者相似度，将相似度结果较高的读者建立相似兴趣读者集合Gsim={x1，x2，…，xsim}。选取读者相关相似度计算方法计算读者相似度，该方法需要将不同读者完成评价的信息项考虑计算内，提升相似度计算准确性，相似度计算式如式（2）所示。

式中，Zxk与jyn分别表示读者xy与读者xk间相似度以及读者y对图书资源n兴趣评价值，jkn、ji与jk分别表示读者xk和xy分别对图书资源n的兴趣评价均值。

（3） 根据Gsim对全部推荐图书信息项的兴趣评价值之和，读者的xk的top_N推荐集即兴趣评价值之和前N个。

兴趣评价值之和计算式如式（3）所示。

1.3 智能推荐系统的工作流程

图书馆书目协同智能推荐系统主要工作流程为：读者输入检索词后，采用协同过滤算法于图书馆信息库中检索，将获取图书检索结果与读者感兴趣相似图书结果形成书目，将推荐书目结果发送至读者显示界面。系统实现流程图，如图2所示。

系统依据协同过滤算法将检索目标图书与目标图书相似度较高的读者感兴趣书籍集合发送至读者界面。系统具有图书简介、相似图书推荐等功能，实现图书馆书目推荐的智能化。

2 图书馆书目协同智能推荐系统性能测试

选取某高校图书馆作为实际应用环境，随机选取该高校100名学生作为研究对象，采用AP、MAP作实验结果的评价标，其中系统所推荐与检索图书相关信息越靠前，AP值以及MAP值越高，AP值以及MAP值为1时，表明系统推荐与检索图书相关信息相关度达到最高;系统未推荐相关信息时，AP与MAP值为0。选择矩阵分解系统和语义填充系统进行对比实验。

输入10个图书检索词语时，对不同系统推荐结果前10本图书评价，分析推荐结果与检索图书相关性，获取不同系统AP值以及MAP值，对比结果如表1所示。

通过表1实验结果可以看出，本文系统AP值以及MAP值明显高于矩阵分解系统以及语义填充系统，且本文系统的AP值与MAP值变化较小，实验结果说明本文系统推荐效果较好，所推荐图书与检索图书具有较高相似性。

统计不同系统针对所检索10本图书的书目推荐时间，对比结果如表2所示。

通过表2实验结果可以看出，本文系统的图书书目推荐时间低于35 ms;而矩阵分解系统、语义填充系统的书目推荐时间均高于70 ms，这表明本文系统可在较短时间获取理想书目推荐结果，可有效节省读者检索时间，能够有效提升数字化图书馆服务水平。

统计不同系统的图书获取推荐书目推荐丰富度，结果如图3所示。通过图3可以看出，采用本文系统在10次检索图书时，所推荐书目丰富性均高于97%;而采用矩阵分解系统、语义填充系统，所推荐书目丰富性仅为84%-93%之间，实验结果说明采用本文系统所推荐书目具有极高的丰富性，可满足不同类型读者需求。

统计不同系统的空间开销，结果如图4所示。通过图4实验结果可以看出，本文系统的空间开销仅为13.5%;矩阵分解系统、语义填充系统的空间开销高达22.5%以及22.9%，本文系统的机运行空间开销明显低于对比，空间开销越低，系统运行越快，证本文系统的运行效率更高。

选取100名该校学生，100名学生分别对三种系统的满意度进行评分，结果如表3所示。通过表3评分结果可以看出，学生对本文系统平均评分为4.1分;而对矩阵分解系统以及语义填充系统平均评分仅为2.9分以及3.1分，统计结果可以看出，本文系统可令读者获取较高的满意度，表明本文方法可有效提升图书馆服务质量，提升读者满意度。

3 总结

随着大数据时代的到来，计算机软件与硬件基础不断提升，为图书馆书目协同智能推荐提供良好基础。协同推荐在社交媒体与电子商务中已取得巨大成功，将协同推荐的智能化推荐机制应用于图书馆中，设计了一种图书馆书目协同智能推荐系统现，结果表明，本文系统可以提升图书馆服务质量，改善高校图书馆读者满意度。

参考文献

[1] 程秀峰， 张孜铭， 孟亚琪， 等. 知识找回场景下推荐系统模拟实现及评价研究[J]. 图书情报工作， 2019， 63（16）：72-83.

[2] 霍欢， 郑德原， 高丽萍， 等. 栈式降噪自编码器的标签协同过滤推荐算法[J]. 小型微型计算机系统， 2018， 39（1）：7-11.

[3] 蒋伟， 秦志光. 耦合辅助信息的矩阵分解推荐模型[J].计算机应用研究， 2019， 36（10）：2900-2906.

[4] 王永康， 袁卫华， 张志军， 等. 融合时间隐语义填充和子群划分的推荐算法[J]. 计算机工程与应用， 2019， 55（16）：130-137.

[5] 贾伟洋， 李书琴， 李昕宇， 等. 基于离散量和读者兴趣贴近度的协同过滤推荐算法[J]. 计算机工程， 2018， 44（01）：226-232+237.

[6] 梁仕威， 张晨蕊， 曹雷， 等. 基于协同表示学习的个性化新闻推荐[J]. 中文信息学报， 2018， 32（11）：72-78.

[7] 过仕明. “互联网+”背景下高校图书馆协同服务机制研究[J]. 情报科学， 2019， V37（4）：52-58.

[8] 王紅， 袁小舒， 雷菊霞. 人工智能：图书馆应用架构和服务模式的重塑[J]. 现代情报， 2019， 39（09）：101-108.

[9] 董同强， 马秀峰. 融合与重构：一流学科建设中高校图书馆智慧型学科服务平台的设计[J]. 国家图书馆学刊， 2019， 28（3）：54-62.

[10] 曹树金， 刘慧云. 以读者为中心的智慧图书馆研究[J]. 图书情报工作， 2019， 63（1）：23-29.

（收稿日期： 2019.07.24）