一种高校读者借阅偏好的个性化图书推荐.docVIP

一种高校读者借阅偏好的个性化图书推荐 　　〔摘要〕现有个性化图书推荐没有考虑受纸质图书的复本，构建读者及纸质图书属性矩阵、读者借阅偏好矩阵，定义基于页数的借阅时间、新书、图书类别的借阅权重。建立读者借阅偏好矩阵和读者属性矩阵的关联、读者借阅偏好矩阵和纸质图书属性矩阵的关联。根据教育部对高校大学生专业课程设置的特点、读者借阅记录的统计，在图书馆书库存在复本的情况下区分专业、非专业纸质图书推荐。在真实的借阅记录数据集上，实验验证提出方法的有效性。 　　〔关键词〕读者属性；纸质图书属性；读者借阅偏好；专业纸质图书推荐；非专业纸质图书推荐 　　〔中图分类号〕TP393.1〔文献标识码〕A〔文章编号〕1008-0821（2013）08-0068-05 　　随着高校数字图书馆图书的增多，读者不知道如何在几十万、几百万的馆藏图书中快速找到自己偏好的图书。于是出现了个性化图书推荐系统，通过Web服务器收集图书信息[1]、借阅时间评分[2]、类别[3]、图书和用户多特征[4]、聚类[5]等推荐技术，分析读者的借阅记录、行为，获取读者的借阅偏好，向读者推荐图书，实现个性化服务。 　　例如：针对目前个性化推荐服务推荐质量不高的问题，将数据挖掘中的关联规则应用到真实的借阅记录[5]。根据读者对图书借阅记录，建立读者——图书借阅网络、读者——读者借阅网络，将不同背景的读者联系，构建个性化图书借阅推荐系统[6]。研究图书和作者推荐，提出一种组合两种基于项目协同过滤算法来预测读者所喜欢的图书和作者，扩展作者预测到图书列表，帮助读者决定要看哪种书，并在LitRec数据集中测试提出的算法。为处理大学图书馆信息超载问题[7]。文献考虑读者借阅图书的主要目的是课程学习和学术研究，根据图书馆借阅日志，提出基于项目分类的协同过滤算法和基于概率的算法[8]。认为文学阅读或休闲阅读不同于科学阅读，因为读者寻找图书的目的不仅仅是图书的主题，还包括作者、图书的写作风格。在LitRce数据集中证实了图书的写作风格影响读者选择图书，图书的目录、写作风格特点可用于提供图书推荐效果[9]。在图书馆整合基于问题的学习（PBL）模式和图书资源，提出一种新的智能手机位置感知的图书推荐系统（IMLBRS），使用地图导航和图书推荐功能搜索图书[10-11]。针对数据稀疏性问题，把读者——资源交互作为图来分析，在网络模型中采用链路预测方法推荐图书[12]。针对推荐系统不能分析图书的信息、缺乏反馈信息给读者、不能为读者提供足够的信息决定是否图书的问题[13]。利用聚类，为背景相异的读者提供电子图书个性化推荐、个性化荐购[14]。 　　另外，传统基于协同过滤的电子商城商品推荐思想：如果一些用户与目标用户对某些商品的评分比较相似，认为这些用户是目标用户的最近邻居，目标用户对未评分商品的偏好等同于最近邻居对该商品的偏好。推荐方法面临用户评分数据稀疏时用户共同评分项目很少的问题。电子商品、电子图书没有受到复本的限制，同一时间允许购买、借阅的次数不受限制。但高校图书馆的馆藏纸质图书受到复本的限制，每种纸质图书的复本数一般为2～5册，若纸质图书推荐仍然单纯以电子商品推荐中的共同评分的项目集合为依据，将导致同一时间段能借阅同一种纸质图书的共同读者更加少。若要推荐给读者的某种纸质图书的复本在某个时间段全部被外借（即该种纸质图书没有复本在架），则需要借阅该种图书的读者只能等到该种图书的复本归还后才能借。而当该类图书的复本归还图书馆时，之前想借阅该书的读者可能已经不需要借阅该书，或已经忘记要借阅该书了，这影响图书馆对读者的服务。 　　通过对读者借阅不同类图书的偏好进行统计，发现借阅专业类图书、H（语言文学）类图书的时间比较长，借阅其他类的时间短[17]。因为学习专业类、语言类图书，需要读者花费很多的时间去理解、记忆很多内容，而其他类图书只需要大致的阅读即可。但现存的图书推荐技术，单纯的把读者借还图书的时间间隔作为读者对图书的偏好，没有考虑到相同页数不同类别的图书对需要阅读时间的差别。通过对读者成绩排名与读者借阅专业图书的偏好情况进行研究，发现大部分的读者，越偏好于借阅专业图书，成绩排名越靠前[18]。现存的推荐方法只追求推荐的准确率、覆盖率，不区分专业图书与非专业图书推荐对读者成绩的影响。 　　文章以高校本科生作为读者借阅偏好的研究对象。首先建立读者属性矩阵、纸质图书属性矩阵、读者借阅偏好矩阵。通过借阅证号建立读者借阅偏好矩阵和读者属性矩阵的关联，通过索书号建立读者借阅偏好矩阵和纸质图书属性矩阵的关联。定义页数的借阅时间权重、出版年份的新书权重、图书类别的借阅权重。最后，根据大学阶段课程设置的特点、读者借阅偏好，分别向读者推荐有复本在架的专业纸质图书和非专业纸质图书。 　　2纸质图书推荐