图书管理系统中个性推荐方法研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇图书管理系统中个性推荐方法研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
[摘 要]当前读者在图书馆借阅中经常需要花费大量时间了解书籍信息，这使得读者借阅决策效率大大降低，为读者提供个性化推荐已经成为图书管提升服务的重要方向。当前商业领域已经开展了推荐系统研究，并且相应系统已经在电子商务中得到广泛应用，通过应用信息过载问题得到了有效解决。图书管借鉴电子商务推荐系统，例如亚马逊图书推荐系统的应用经验，对自身的图书个性化推荐服务进行完善和优化。
中图分类号：TP311.13 文献标识码：A 文章编号：1009-914X（2016）21-0344-02
本文将对图书借阅个性化服务进行分析，并在此基础上探索图书管理书籍借阅推荐方法。通过为图书馆开展图书借阅个性化服务提供理论依据，提升图书馆整体服务水平，最终推动图书馆发展和进步。
1图书馆借阅个性化服务分析
数字化图书馆时代已经来临，一些图书馆通过构建图书管理系统借阅和编目书籍，同时提供个性化借阅服务。例如清华大学图书管理系统就提升了相应读者服务，能够实现书籍预约、书籍资源下载、书籍借阅管理等个人化服务。现阶段图书馆个性化服务获得了较大发展，借阅者应用借阅系统的用户体验开始受到关注，但借阅者耗费大量时间挑选书籍问题还没有通过书籍推荐系统得到良好解决。到图书馆借阅书籍读者包括两种类型，一种是已经明确要借阅那些书籍，另一种则是没有明确目标，仅有一个大致的借阅范围。第一种情况借阅者只需花费较少时间，第二种则需要花费大量时间。
亚马逊在应用图书推荐系统方面一直处于前列。当读者想要购买一本嵌入式入门书籍时，因为尚处于入门阶段或这方面知识较为片面，就需要获得一定的购买书籍指导，该指导可通过具有相应功能网站系统或专业人士获得，而亚马逊就具备这样推荐功能。登陆亚马逊网站后读者输入关键词进入嵌入式书籍页面，这样就能够看到相应书籍推荐信息，读者可在综合考虑书籍信息的基础上进行购买。例如在亚马逊页面的推荐列表中，读者在查看某一书籍时会出现“购买此商品读者也同时购买”的商品推荐。
依据从亚马逊书籍推荐中获得的启示，笔者想通过研究图书馆书籍推荐方法来强化图书馆借阅系统个性化服务。基本思路包括：实际中包含两种借阅者，第一种对要借阅书籍具体信息已经明确，第二种对要借阅书籍相关领域已经明确。个性化服务程序包括，登陆图书借阅系统后借阅者先输入关键词，此处关键词检索能够实现高级分类检错，基于“嵌入式系统”等内容进行分析，之后系统将书籍详细页面列出，其中包含书籍作者、出版时间、出版社、书名等基本信息，同时会有一个类似亚马逊推荐的推荐区域，显示其他“嵌入式”读者借阅书籍信息，并将借阅该类书籍的TOPN列表列出，相应书籍评价位于书籍下方（读者进行的评价）。读者全面综合考虑相关书籍信息后，就能够进行合理的借阅决策。通过该推荐服务借阅者不需要在作出最终借阅决策前花费太多时间了解具体某一本书籍，借阅决策效率获得提升，同时读者还能够获得相似书籍推荐，这些推荐带来的满意度很可能高于原想借阅书籍。
2图书管理书籍借阅推荐方法研究
2.1初步基于书籍基本新的图书推荐
书籍分类后借阅者信息筛选任务能够在一定程度上减轻，而建立图书知识库不仅能够促进图书管理，还能够让借阅者在图书借阅服务中获得有效书籍。如表1就对书籍图书知识库进行了描述，后期还能够扩大。
推荐初步可以向借阅者进行明确询问，包括其想借阅书籍的相关关键词、想借阅书籍隶属哪个学科；另一种方式是让借阅者进行书籍评分，依据整体评分提出相应文字性推荐建议和文字描述。例如借阅者倾向计算机类书籍，系统会自动列出评价较高和借阅次数最多的计算机学科书籍。但这种推荐也存在系统马太效应愈发突出、借阅次数多书籍越来越高、借阅次数低书籍越来越低的问题，所以为了提供更加有效的推荐、将马太效应降低、提升书籍利用率，不能够仅依据评价和借阅次数进行推荐，需要计算各参数权重、实现综合推荐。
2.2综合特征推荐
当前综合推荐系统应用愈发广泛，并且行业中也举办了综合各种算法实现最佳推荐的应用大赛。以下利用书籍特征组合进行综合推荐。首先将可使用不同书籍输入。如果借阅者想借阅X领域书籍（例如英语、嵌入式、程序设计），借阅者专业信息Y已经知晓，就可进行借阅者特征信息的设置：借阅者喜爱X领域书籍为真。这样某种知识就能够体现出来，例如：书籍相应领域、借阅者专业学科。如表2 为混合特征。
表中，借阅者1和借阅者3貌似具有相同兴趣，但若果在推理中结合专业因素，那么就会产生不一样的情况，所以图书个性化推荐中应当考虑一定权重的专业因素。另一种特征组合方法以评分反馈和预测准确性为基础，由Jessentischning和Zanker提出。表3对集中用户数据的有效评分进行了描述。如Rna推荐引导行为、Rview单机详细说明页、Rctx上下文借阅者要求、Rbro实际借阅。这种方法的区分依据是预测意向和各自有效性。例如实际中频繁发生的包括借阅用户页面和推荐引导页面，较少发生的则包括实际借阅。另外，用于的高级检索关键词、搜索使用关键词等环境信息，都在计算机推荐中具有重要作用，所以可以进行平分了类别的有限排序。
用无优先级分析表3中评分，则学生4、学生3与Tom存在很多共同点，所以他们之间的相似评分至少有3个，则Tom和学生4、学生3可能会被识别为相似。
2.3综合特征补充方案
完成以上两个步骤后需整合各个推荐算法，表4为书籍/借阅者矩阵实例，包括各个学生和Tom相似度系数，另外还有Tom和借阅者之间重叠评分个数。借阅者评分为i，没有借阅者评分情况下内容预测cu。
依据上述评分，算法需进行下一步预测，依据借阅者间评分物品个数和评分书籍个数，基于加权因素进行特定用户调整。依据综合推荐系统方程可以推算出Tom不喜欢书籍5，虽然学生2对该书籍评分为4，但是其仅有10个重叠评分人数，学生3有55个重叠评分人数，所以综合分析时应当对学生3的分数影响进行主要考虑。利用该方法预测其他用户数据，找到CBob，item5>=3预测结果是Tom喜爱书籍。
结语：
通过研究推荐算法和调研推荐系统发现，特定信息生成推荐结果和系统用户群体数据是协同过滤的主要依据，物品描述和特征是内容推荐方法产生推荐的依据，显示知识模型是知识推荐算法生成结果的依据，这三种算法各有优缺点。实际的个性推荐系统通常将这几种算法综合，所以综合考虑书籍借阅各方面因素后本文采用综合推荐方法。
参考文献
[1] 孙守义，王蔚. 一种基于用户聚类的协同过滤个性化图书推荐系统[J]. 现代情报，2014，11：139-142.
[2] 刘雨晗，段渭军. 基于学生学习轨迹培养体系的图书推荐系统的研究与设计[J]. 中国教育信息化，2013，15：72-75.
[3] 姚国章，余星，项惠惠. 智慧图书馆的总体设计与应用系统建设研究[J]. 南京邮电大学学报（自然科学版），2016，02：18-28.
[4] 王敏，嵇绍春. 基于模糊聚类和模糊模式识别的数字图书馆个性化推荐研究[J]. 现代情报，2016，04：52-56.
[5] 罗丽霞. 基于用户协同过滤的图书推荐系统的设计与实现[J]. 新余学院学报，2014，06：23-25.
[6] 周宇，魏太亮，廖思琴. 基于移动阅读的高校图书馆信息资源推荐策略与应用研究[J]. 现代情报，2015，10：161-164.