孙雨生 祝 博

(湖北工业大学经济与管理学院 武汉 430068)

0 引 言

伴随数智化技术革新、知识应用类型和服务内容激增，图书馆逐步转向以泛在化、数字化和智能化为核心特征的智慧化方向。同时，大数据时代智慧图书馆类型多样、规模巨大、格式复杂，海量数据与读者有限认知能力间矛盾日益加剧，难以提供符合读者需求的知识服务进而面临严峻的数据迷雾、信息过载、知识迷航等挑战。在此形势下，智慧图书馆信息推荐备受关注，其利用物联网、大数据、人工智能等技术动态感知读者兴趣、协同创新服务形式、语义管理知识资源，主动提供智慧推荐服务，将服务方式由传统阅读转向泛在服务，服务内容由纸质为主转向多载体多模态数字资源为主，服务形式由被动、大众、单一转向主动、个性、多元，为此客观急需利用新型知识服务技术构建新一代智慧图书馆信息推荐系统，尤其是具备全局关联、聚合管理、智能推理优势的知识图谱：依托语义逻辑符号以图结构形式描述图书馆推荐场景中相关实体及关系[1]，提升推荐系统关联扩展、机读处理、多维感知能力，支持推荐系统精准量化、立体描述读者需求以动态响应其请求，语义赋能智慧图书馆推荐机制以创新协同推荐策略，汇聚融合、关联重构图书馆海量多源异构数据以规范组织知识资源，最终满足用户数智化、泛在化服务需求。

当前知识图谱加持的智慧图书馆推荐系统理论研究较少且多研究知识图谱用于智慧图书馆推荐的方式及策略，实践应用尚无明确将知识图谱引入到智慧图书馆推荐服务案例，仅吴荣[2]提出基于端到端框架用交替学习方式将知识图谱融入推荐系统，以提升图书推荐结果多样性、图书馆个性化服务水平。业界多通过传统项目式场景维护、单机式推荐算法进行体系构建、规划设计，缺乏系统性，难以适应智慧社会情境下服务内容知识化、业务应用集成化、技术构成多元化、语义资源协同化、基础设施智能化等要求，客观需要从架构体系视角研究知识图谱加持的智慧图书馆信息推荐问题：明晰系统规划，以适应推荐业务场景多样性、数据异构性、技术时效性及推荐系统架构复杂性、模块扩展性；强化业务协同，以融合图书馆推荐服务与其他业务应用；优化技术体系，以用新型信息技术升级推荐服务模式并提升推荐主动性及质量；规范资源建设，以突破传统基于主题分类法[3]、学科隶属关系及OPAC书目索引的图书馆资源管理模式，提升资源利用效率[4]、挖掘资源语义，进而关联化组织、一体化管理资源以降低读者认知负荷；升级基础设施，以依托大数据基础设施、分布式架构改造业务流程[1]，融合智能设备与智慧化服务。

本文参考知识中台思想，遵循图书馆行业规范与技术标准，应用分布式架构整合知识挖掘、知识集成及共享等知识服务技术及并行化计算、分布式存储、动态负载均衡等大数据技术、数智基础设施；依托体系结构分层构建智慧图书馆推荐业务架构以优化推荐流程、重构系统要素，通过功能模块分模块封装系统组件以按图书馆应用场景协同、集成，通过运行机理按场景描述推荐策略，满足知识图谱加持的智慧图书馆推荐系统核心功能性、关键非功能性需求，提供深层次、泛在化智慧推荐服务。前者涉及读者需求导向、推荐智慧化，后者涉及进程高效协同、组件迁移复用、模块按需扩展、系统安全易维护等，最终揭示知识图谱加持的智慧图书馆信息推荐架构体系全貌。

1 知识图谱加持的智慧图书馆信息推荐体系结构

遵循以读者需求为服务导向、技术为驱动手段、业务流程为主线、知识为增值内容、资源为核心载体、图书馆空间为基础环境的思路，设计知识图谱加持的智慧图书馆信息推荐体系结构，其构成见图1。

图1 知识图谱加持的智慧图书馆信息推荐体系结构

其按数据、知识、智慧演进层次[5]分为基础设施层、业务平台层、智慧服务层以汇聚数据、升华知识、凝练智慧，进而融合重组空间环境、人、资源等服务要素，深入揭示各层目标及核心问题，关联发现要素间知识流动，高效提升推荐系统拓展性及适应性。此外，运维与安全标准支持推荐系统高效管理组件模块、智能监控系统资源，进而保障系统安全及风险控制；数据管理标准支持规范数据格式、管理元数据体系、保障数据安全并提高数据质量，支持平台化管理馆内资源、标准化业务流程、动态化治理数据。

1.1 智慧服务层

遵循以人为本服务原则，面向图书馆应用场景、读者阅读需求，并依托馆内设备及移动终端提供泛在化、融合化、实时化服务[5]，为读者提供转知成慧服务契机，其构成见图2。

图2 智慧服务层构成

a.用户交互层。依据读者需求，结合自主借还、阅读盒子等智能终端设计交互门户，为读者提供知识服务并支持系统采集读者交互信息、显示推荐结果。提供登录注册、浏览、评价、反馈接口及结果可视化等基础功能，对接智慧应用层实现门户功能及系统调用，最终依托移动终端、智能交互系统、VR/AR设备及PC等，支持推荐系统场景化感知、动态化响应用户请求[6]。

b.智慧应用层。遵循图书馆应用标准集成应用接口、封装服务模块，依托多样化应用平台按用户需求返回推荐结果及服务方案。一体化部署公共服务组件支持监控推荐系统运维、软硬件协同状态；内嵌多种服务模块感知、挖掘读者需求，并按用户兴趣用语义技术加工融合、重组分析学科知识元以定制知识服务方案，提供数据驱动型、用户驱动型智慧推荐服务。

1.2 业务平台层

遵循组件化思想，面向图书馆知识管理流程[6]、多场景推荐业务共性需求，依托知识图谱优势，模块化系统各层业务单元构建知识中台，以统一规范管理图书馆业务数据、共建共享海量馆藏资源，分解、组合推荐策略，进行匹配读者兴趣与图书资源并高效、实时推荐，其构成见图3。

图3 业务平台层构成

a.推荐平台层。遵循模块化思想，针对图书馆推荐场景下业务流程，调用推荐模型分析读者交互数据以感知其需求,处理图书馆知识资源以优化资源配置，精准匹配读者兴趣及知识资源，按用户需求生成易解释推荐结果，实现推荐结果多样化、服务功能动态配置及灵活调用[3]。读者兴趣建模组件采集读者实时行为、历史交互信息以抽取兴趣实体及关系，用知识图谱节点及边表示读者兴趣标签及关系，依托概念间关联用机器学习、社交网络技术处理读者社交数据，并基于读者实时反馈学习其新兴趣属性以进化兴趣模型，深度挖掘读者阅读兴趣、咨询需求，最终构建读者兴趣模型。资源特征建模组件通过数据接口调用图书馆基础知识库资源，依托知识计算、知识发现组件用概念层次结构向量表示与读者兴趣相关纸质、数字等资源属性及关系，基于机器学习技术按知识图谱节点跳数、关系路径相似度阈值预处理文献、著作等资源知识图谱以初筛资源特征并初始化特征模型，再基于情境图谱向量化跨载体、跨模态图书馆资源及阅读、科研等服务场景以赋权情境属性并与资源特征组合，用知识发现组件挖掘符合读者需求的隐性知识以进化资源特征模型、补全资源体系，最终构建图书馆资源特征模型，满足服务情境化、资源多样化需求。通过组合读者兴趣实体及资源、场景等特征数据构建读者-资源模型，并在输入推荐模型前离线训练、在线更新以处理海量读者历史数据、实时响应读者交互请求，进而提升模型训练效率及准确性，最优化推荐模型相关算法、策略中参数取值；输入推荐模型后用知识图谱学习框架多维度关联主题、细粒度处理知识，快速高效召回海量碎片化资源中与用户兴趣相关候选资源集并按相似度精准排序，再面向读者业务场景及知识需求融合新书新颖度、主题关联度等多维评价指标重排序，最后优化推荐结果组合方式，确定符合读者兴趣及认知的推荐服务方案。此外，通过离线评估、线上A/B测试等评估模块离线延迟、实时同步训练推荐数据集以迭代模型特征，适应图书馆服务过程中读者需求、情境变化并提升服务模型智能性、鲁棒性。

b.知识分析层。面向智慧图书馆推荐服务精准协同、知识资源整序重构、文献数据创新组织需求[3]，通过数据接口调用图书馆知识图谱库中各类知识图谱，用知识计算、知识发现组件汇聚、融合、计算智慧图书馆平台知识，促进知识群落协同优化、服务方式创新重构及隐性知识动态挖掘，为图书馆推荐服务提供知识基础。知识计算组件基于知识图谱节点及边，通过图谱嵌入、路径召回、两者混合方式选择知识表示方式，支持推荐系统组织、管理、挖掘图书馆资源语义信息[7]；通过知识图谱推理挖掘图书资源隐性主题关联以补全图书馆知识体系，支持业务处理。知识发现组件面向读者需求，通过关联挖掘、情感分析、模型预测等机器学习技术组合推荐场景特征，实现面向读者的知识检索与价值发现，支持精准推荐。

1.3 基础设施层

遵循图书馆全面感知、智慧服务泛在互联、纸电资源一体融合思想,按多节点协同管理平台应用成熟、工业级大数据基础设施及图书馆场景下硬件设备，敏捷化集成各类技术支持高效协同平台架构及业务处理，一体化管理资源服务支持整合互联总分馆模式下业务数据及知识要素，动态化创新实体与虚拟空间环境支持深度拓展智慧服务模式思路。通过构建多层次、全方位智慧空间，为智慧图书馆信息推荐融入参考咨询、书目阅读、智库服务等服务链提供环境基础[7]，其构成见图4。

图4 基础设施层构成

a.数据管理层。面向图书馆推荐流程、遵循图书馆数据管理标准，用多类采集技术采集并处理读者交互数据，按知识图谱生命周期关联重构知识单元、组织再造阅读资源，以构建图书馆基础知识库进而知识化数据价值、支撑推荐系统。按图书馆数据源类型及特点，依托基础设施层设备选择采集方式，面向图书馆业务全程整合主动提交(终端提交、用户生成)、被动抓取(爬虫、数据库导入、工具采集)等方式，细粒度、全方位采集半结构化、非结构化数据；遵循清洗集成、规约转换等流程，用分布式计算、云计算、内存计算等计算框架预处理所采集图书馆数据集；遵循知识图谱构建流程机读化处理、实体化链接、形式化表示处理后用户、资源数据集，结合图书馆本体概念层次结构构建面向图书馆应用场景的知识图谱；按图书馆数据存储标准，依托虚拟化、数据备份技术，基于多节点协同管理中心，组合使用分布式存储、云计算存储及图数据库存储系统存储线下馆藏、数字资源及推荐系统业务数据，以协同共享数据资源并高效集成服务应用。按数据管理标准组合数据库配置与存取、元数据、安全与审计、数据集成等管理模块，构建图书馆资源管理引擎以分布式存取、一体化管理、低延迟安全传输数据资源；面向推荐系统及业务逻辑，集成用户模型库、推荐业务库、馆藏资源库、知识图谱库、知识本体库等知识库，构建图书馆基础知识库以整合发现、分类积淀知识资源，推动跨领域、跨学科知识间协同创新、关联整合，支撑智慧推荐服务、满足数据管理需求。

b.基础设备层。通过合理部署感知设备以主动采集用户需求，高效利用物理设备以提升服务体验，动态集成系统设备以按需调用系统资源，智能联接网络服务以低延时整合图书馆数据，加强总分馆间、馆内业务部门间互联互通并优化资源配置，汇聚融合数据资源并为数据管理层提供工具支持[7]。感知设备通过感知硬件实时感知馆内事务并自动采集图书馆服务环境、设备运行状态、读者交互行为及位置、推荐系统业务等数据；物理设备面向图书馆服务场景、应用标准，通过部署智能终端构建全馆自助化集成方案、优化读者借阅流程及体验、简化馆员日常运维并提升服务效率；系统设备通过按需配置软硬件资源、合理部署中间件方案、集成管理服务器集群，支持图书馆数据高性能并行计算、多策略分布存储与柔性管理；网络服务通过互联网、移动网等通信技术实现智慧图书馆多网融合方案，支持数据泛在互通、用户快速接入，通过物联网、云计算网络服务实现图书馆设施广泛互联、数智管理，通过网络保护设施加强网络安全防护。

2 知识图谱加持的智慧图书馆信息推荐功能模块

依托系统体系结构、面向图书馆服务，场景化、标准化、组件化推荐业务逻辑并遵循黑盒子原则封装模块功能，涉及读者兴趣建模、推荐处理、知识发现、知识计算、知识图谱构建等模块。

2.1 读者兴趣建模模块

遵循层次化、结构化思路，基于概念层次结构立体化表示、机读化处理、动态化更新读者兴趣，以基于知识图谱表示、初始化及进化读者兴趣模型。

2.1.1模型表示

遵循模型易扩展、复用迁移、高内聚低耦合等原则，用本体法、知识图谱法语义化读者兴趣实体及关系，以多元组形式映射实体间语义关联至知识图谱节点、边等，以全面动态描述读者兴趣项；综合标签法、评分矩阵法数值化读者兴趣度。

2.1.2模型初始化

通过交互门户及设备感知采集读者信息，用机器学习技术识别兴趣项、量化兴趣度以初始化读者兴趣模型。

a.数据采集。涉及采集来源、类型、内容及方式，来源涉及图书馆数据库、感知设备及馆内自动化系统等，采集类型、内容及方式见表1。此外，为最大限度获取读者兴趣，可通过公共服务机构间合作、参考商业网络平台自选标签由读者自录入等方式采集读者兴趣信息。

表1 读者兴趣采集类型、内容及方式

b.数据处理。分兴趣项识别及兴趣度量化，前者遵循清洗过滤、转化集成、特征提取等流程，按知识图谱处理流程细粒度、概念化读者兴趣，映射读者兴趣实体及标签属性等元素至用户知识图谱，基于图神经网络、数据挖掘等机器学习技术挖掘聚类读者感兴趣资源主题类别，以语义描述、精准识别兴趣项；后者基于读者阅读评分综合借阅频次、时滞加权计算并赋值读者图谱节点间距离、边权值进而多维量化兴趣度。

2.1.3模型进化

依托大数据处理平台实时采集读者显隐式反馈、跟踪交互行为，基于时间窗口、渐进遗忘机制，用机器学习、社交网络技术处理海量交互数据，以动态调整图谱节点及其相似度、多维挖掘兴趣间隐性关联、增量更新兴趣项进而进化读者兴趣模型，精准揭示智慧图书馆场景下读者兴趣迁移、认知提升。

2.2 推荐处理模块

作为图书馆推荐系统核心，按推荐业务逻辑通过高效召回、精准排序、多维策略补充等方式情境化感知推荐场景、并行化组合推荐策略、流程化分解推荐任务[8]，以多样化推荐结果。

a.高效召回。按图书馆业务场景选择召回策略，从海量资源集召回读者可能感兴趣资源。基于嵌入法向量化表示资源图谱中节点等特征，并将多路召回中的图书主题、馆藏属性、新书流行度等信息融入到特征向量，结合读者兴趣标签计算向量相似度以筛选强相关候选资源集，提高资源召回率并满足读者多样需求。

b.精准排序。遵循推荐逻辑通过知识概念体系感知读者场景、分解推荐任务，按读者兴趣精排序初筛所得候选集。依托大数据技术分布式计算、并行化挖掘优势，基于资源、用户知识图谱结合机器学习框架向量化表示、语义化分析、多维度关联用户兴趣、资源特征及场景信息等，通过依次学习(先生成低维向量再引入推荐算法)、联合学习(遵循端到端思想，用知识图谱表示学习并行化改进推荐算法及目标函数，生成关联化、语义化特征向量进而优化算法性能、提高匹配精准度)、交替学习(基于多任务学习框架关联学习知识图谱特征向量、推荐算法中相关向量以高效计算)等方式，考虑知识图谱语义路径连通性、知识结构关联性等特点优化读者、资源间特征组合方式以再排序、筛选候选资源集，提升推荐结果精准度、可解释性。

c.多维策略补充。通过调整指标权重优化候选资源集以合并、组合推荐结果，提升读者体验。面向智慧图书馆应用场景，兼顾多样性、流行度、新颖性等指标，用补充策略结合读者兴趣及反馈重排推荐结果，返回全面性、多样化推荐方案。此外，推荐模型需通过模型训练最优化推荐算法及机器学习模型参数，以支持推荐任务分解、推荐策略组合，按模型训练环境分离线训练、在线更新：前者用分布式平台批处理全量交互样本信息，通过高效训练模型挖掘隐性关联、配置读者场景信息，以迭代模型并确定参数全局最优解；后者动态跟踪、汇聚读者反馈并采集其显隐性信息，通过流计算框架在线学习交互数据，快速更新读者兴趣特征及模型参数，以提升系统响应速度、揭示数据变化趋势，提升模型实效性。

2.3 知识发现模块

面向主体知识需求，用知识管理技术深层挖掘、语义分析层级明晰及内容关联的资源组织网络，支持推荐应用挖掘、标注读者兴趣相关资源，进而创新推荐服务方式、优化资源配置[4]，实现用户驱动的知识创造与服务创新。基于聚类分析、相关分析、主成分分析等数据挖掘方法，按关联模式发现类别间、节点间语义关系，揭示知识间隐性关联；基于机器学习计算资源知识图谱节点特征以训练特征模型，预测知识节点间演化规律；通过分解图书馆推荐应用场景标签化处理、形式化描述情境信息，支持推荐模型感知读者情境并组合场景特征以调整推荐策略；基于用户交互行为与情境信息间关系，用深度学习技术结合本体概念规则推理感知读者推荐情感取向并分析其需求；通过知识检索方法按主题语义、学科专题深层挖掘、聚类重构资源知识元形成内在逻辑关联的知识链，结合用户需求通过整合加工构建内容层次化、语义关联化知识网络，实现知识深层组织、资源二次开发。

2.4 知识计算模块

基于概念层次结构支持推荐系统向量化表示、机读化处理图书馆知识资源，以挖掘推理知识潜在关联、隐性价值并动态补全图书馆知识体系[4]，分知识表示、知识图谱推理。

a.知识表示。按图书馆元数据存储格式选择表示方式，用图谱嵌入(通过翻译模型、语义匹配模型映射馆藏资源图谱实体及关系至低维向量空间，以丰富读者、图书资源特征语义表示)、路径召回(依托知识图谱网状结构及连通性优势，计算图谱实体关系路径相似度以挖掘主题关联资源、提高推荐可解释性)及混合(通过结合知识图谱向量表示、路径传递语义表示读者、资源实体属性及关联)方法支持推荐系统智能理解、机读处理语义知识，实现资源内容统一加工、立体描述及语义集成。

b.知识图谱推理。基于深度学习技术挖掘推理知识资源、读者兴趣实体及关系，以发现知识单元间深层关联、演化趋势，常用基于规则(用图书馆资源本体间规则及统计特征自动挖掘隐性实体及关系)、表示学习(向量化知识图谱以分布式表示、语义化描述资源实体及关联，支持概念逻辑推理)、神经网络(通过机器学习高效训练、自动学习特征模型以挖掘隐性资源特征表示，补全知识图谱)等方法，构建内在逻辑关联的知识体系。

2.5 知识图谱构建模块

依据图书馆资源特点、著录规则及知识组织体系与规范构建图书馆知识图谱库，以细粒度组织图书馆资源、关联聚合主题知识链进而序化整合、共建共享图书馆知识体系，支持智慧图书馆推荐服务。通过知识建模选择框架法、语义标注等表示机制形式化描述知识间关联以进行模式层构建，再按知识抽取、加工、更新、存储等流程进行数据层构建：针对知识抽取，依托机器学习技术，混合中图分类法、OPAC识别实体、融合知识元、标准化书目、电子资源描述等元数据接口以高效整合期刊、专利、音视频等纸质、电子资源；针对知识加工，量化知识置信度[1]以评估知识质量、推理知识进而补全优化知识体系，构建关联化、跨学科语义知识资源网络；针对知识更新，增量、按需扩展知识体系以满足图书馆知识资源增长需求；针对知识存储，基于RDF数据库存储实体、概念等图谱数据及图书馆资源语义数据以按需扩展、调用数据资源。

3 知识图谱加持的智慧图书馆信息推荐运行机理

遵循场景多样化、推荐机制智能化原则，按用户角色关联推荐系统相应功能模块，揭示业务场景下面向读者、馆员及领域专家等的推荐流程及服务形式，详见图5。

图5 知识图谱加持的智慧图书馆信息推荐运行机理

3.1 普通读者

主要通过智慧门户中应用接口调用推荐平台功能，分布式采集读者阅读、请求、评价等交互行为信息，基于知识图谱语义化读者兴趣及行为信息以初始化、进化读者兴趣模型[8]。依据读者兴趣从图书馆专利、文献、图书等资源知识图谱中映射相关资源实体以构建符合读者兴趣特征的资源知识图谱子图，输入资源特征建模模块后通过公共服务调用知识计算组件向量化子图数据以快速建模特征工程、精准提取关联特征，用知识发现组件关联挖掘隐性知识及资源间关系并配置场景参数扩充特征，进而通过特征预处理及组合构建符合读者需求的资源特征模型并依据用户反馈动态进化[9]。基于机器学习框架将读者兴趣模型、资源特征模型组合成读者-资源模型输至推荐处理组件，通过离线处理、在线更新按召回、排序、策略补充逻辑智能分解推荐任务、动态组合推荐策略，进而生成候选推荐结果并存入待推荐项目集，然后按图书馆应用场景以列表、知识卡片、图谱等形式，分别从资源、用户角度提供数据驱动型、用户驱动型智慧推荐，满足读者个性化、泛在化阅读需求。

3.1.1数据驱动型智慧推荐

依托高性能算力支持集成各类数据处理技术全域采集多模态数据、深层挖掘隐性知识，基于知识图谱赋能资源组织机制以关联整序、动态重组知识元，进而发现图书馆资源科学规律及语义关联[10]，构建泛在互联、充分共享资源环境，实现数据驱动的知识资源增值及智慧图书馆推荐服务内涵与维度提升。

a.馆藏资源推荐。核心是通过知识图谱重构知识元、关联知识链、聚合知识体系，以发挥知识集群效应[11]，提供智慧知识定制、馆藏知识推荐服务。前者考虑注册读者兴趣、类型、科研属性等特征及其知识领域、层次及粒度需求，依托知识图谱概念知识体系汇聚多学科资源，重组多源渠道及多模态知识要素构建并推荐全方位、定制化知识服务体系或知识链路，提升推荐结果可理解性；后者依托知识图谱结构化描述、语义化表示资源体系以深层推理、挖掘发现馆藏资源文化价值，将读者兴趣模型中馆藏实体映射至资源知识图谱，精准匹配并以图谱形式推荐特色馆藏、关联主题，提升读者体验。

b.泛在化场景推荐。依托内嵌iBeacon、物联网等技术[10]的泛在感知设备及终端协同技术，用情境知识图谱精准感知、语义描述注册读者情境要素及相关行为，由推荐系统通过在线更新模块实时采集、流式处理读者交互行为信息并赋权行为特征、情境属性，结合离线处理模块调用用户历史情境信息并配置场景参数，进而场景化用户需求以实时推荐图书馆知识资源。

3.1.2用户驱动型智慧推荐

面向图书馆场景集成智慧终端，基于情景感知、机器学习等技术多渠道采集、立体化描述用户交互行为及情景属性、社交关联等信息，提升兴趣表示维度及处理粒度进而感知用户个性化知识需求；拓展推荐系统服务形式、提升推荐性能以优化用户体验，有效整合与协同创新图书馆服务，提供主动、精准智慧推荐。

a.读者阅读推荐。依托智能设备、物联网等技术采集读者阅读行为以感知其需求，在知识服务过程中动态推荐，涉及检索时推荐、相似用户推荐。前者根据读者查阅、检索等行为遴选馆藏资源并映射至资源知识图谱，用知识发现模块中相应算法遍历资源知识图谱，以确定候选资源集并排序后动态推荐，以便用户延伸阅读；后者基于用户图谱中用户节点关系通过知识计算模块发现用户近邻并推荐其潜在感兴趣资源[12]。

b.无差异智能推荐。通过智慧门户采集各类读者资源兴趣及借阅、收藏等行为，依托语义技术多维融合资源特征，向匿名读者提供无差异智能推荐服务[11]，涉及热门排序推荐、新书推荐。前者用推荐系统采集、分析读者固定周期借阅、评分等交互行为初始化热门馆藏集并映射至资源知识图谱中馆藏知识图谱，结合资源标签、曝光度、流行度等指标加权计算、汇总排序后推荐热门馆藏资源；后者结合读者荐购、馆藏资源建设需求周期性采购资源，以专栏形式推荐匿名读者可能感兴趣新书资源。

c.特殊群体智慧推荐。面向老年人、未成年人、残障人等弱势群体，依托盲文打印机、语音识别等智能终端及无障碍工具构建数智化图书馆空间环境，按特殊群体知识需求创新服务模式以提供多层次、多元化推荐服务。重点集成数据挖掘、机器学习等技术，细粒度采集特殊群体用户基本信息并全方位感知其交互行为以精准建模用户兴趣，通过知识计算辅助推荐系统预测感知用户状态，构建与用户兴趣实体相关的候选资源集，并按其需求智能调用辅助阅读工具主动、实时智慧推荐。

3.2 其他用户

图书馆信息部门馆员负责推荐系统运维及安全管理，通过智慧门户的业务网关集成各管理模块接口，通过后台管理功能设置安全管理、事务管理、用户管理、反馈管理等系统功能，通过系统部署运维管理及管理标准规范化系统部署运维，通过监控管理、容灾管理动态均衡系统负载；领域专家面向图书馆场景及功能需求，通过专家管理功能规划设计智慧图书馆应用体系并审核、维护领域知识，进而优化业务平台功能、明晰智慧推荐逻辑边界。

4 结论与展望

本文以知识图谱为知识传导媒介及整合工具，融合重构、协同创新智慧图书馆应用场景下空间环境、人、资源等服务要素，从体系结构、功能模块、运行机理三方面阐述了知识图谱加持的智慧图书馆信息推荐架构体系：体系结构按数据、知识、智慧演进层次分为基础设施层、业务平台层、智慧服务层；功能模块关注图书馆应用场景下关键模块间调用协同，涉及读者兴趣建模、推荐处理、知识发现、知识计算、知识图谱构建等模块；运行机理为基于读者智慧化阅读、泛在化获取、个性化服务需求分解推荐任务、组合推荐策略、规划推荐流程，提供数据驱动及用户驱动型智慧推荐服务，基于图书馆馆员系统运维部署需求明确业务职责，基于领域专家知识管理需求界定服务范围。

本文利用知识图谱感知用户兴趣、创新推荐机制、聚合知识资源，以提升智慧图书馆推荐系统服务水平及智能性，但仍具有以下拓展空间。首先，本研究仍处方案总体设计阶段，后续智慧图书馆平台构建及规划落地需深入研讨服务需求和业务流程，并将其标准化以达成业界共识；其次，本研究仅以推荐系统为例参考中台概念设计，后续需研究推荐系统与参考咨询、情报服务等服务形式融合问题，进而从业务、技术、数据等层面设计智慧图书馆知识服务系统整套方案，真正促进读者“转知成慧”；最后，本研究核心阐述知识图谱赋能推荐系统的业务逻辑，利用知识图谱集成管理智慧图书馆资源的方法研究不够，后续需从数据标准化、资源规范化角度研究知识组织路径以语义描述知识元、序化重组知识体系，进而充分发挥智慧图书馆海量知识优势。