基于协同过滤推荐算法的图书馆智慧服务模式研究

乔雅, 吴琳

(陕西交通职业技术学院 图书馆， 西安 710018)

0 引言

随着数字图书馆信息管理技术的进一步发展，需要在多源信息资源服务(Multi-source Information Resource as a Service， MIRaaS)模式下进行图书馆智慧服务，提高图书馆的智慧化服务水平，研究图书馆智慧服务模式，结合智慧化图书馆管理系统进行图书馆信息管理优化，使得读者能够体验更好的图书馆服务水平[1]。研究图书馆智慧服务模式下的协同推荐算法在数字化图书馆建设方面具有重要意义，相关的图书馆智慧服务模式及推荐算法研究受到人们的极大关注。

当前，对图书馆智慧服务模式下的协同推荐算法的设计主要采用分布式资源检索方法，构建图书馆智慧服务模式下的资源调度模型，采用图书馆资源信息的语义特征分配方法进行协同推荐，提取图书馆智慧服务模式下的语义关联特征，构建语义关联检测分析模型，采用大数据融合聚类分析方法，进行图书馆智慧服务模式下的语义相惯性特征检测[2]，实现图书馆智慧服务模式下的推荐算法优化设计，传统方法设计中，对图书馆智慧服务模式的推荐算法主要有关联规则推荐算法、语义本体映射推荐算法和融合调度推荐算法等[3]。上述算法进行图书馆智慧服务模式下图书资源推荐的准确度较差，推荐过程中的时间开销较长。

针对上述问题，本文提出基于协同过滤推荐算法的图书馆智慧服务模式。首先采用语义抽取方法对图书馆智慧服务的信息进行检索，根据检索到的图书馆智慧服务信息，采用相空间重构方法进行智慧服务模式下图书馆资源的特征重构和特征提取，然后采用本体特征映射方法对图书馆智慧服务过程中的文本信息进行推荐，建立图书馆智慧服务的读者偏好关联规则数据集，结合滤波检测方法实现图书馆智慧服务推荐与读者偏好信息的协同匹配，完成图书馆智慧服务的协同过滤推荐。最后进行仿真实验分析，展示了本文方法在提高图书馆智慧服务模式下协同推荐能力方面的优越性能。

1 图书馆智慧服务的信息检索及信息抽取

1.1 总体结构与图书馆智慧服务的信息检索

为了实现基于协同过滤推荐算法的图书馆智慧服务模式优化设计，首先构建图书馆智慧服务的信息检索模型。信息检索模型采用三层体系结构设计，在感知层中进行图书馆智慧服务的信息采集，采用RFID射频标签进行图书资源的二维码标签识别[4]，结合视频监测设备进行馆藏资源的优化管理，在网络层中实现图书馆资源信息的融合和信息传输，在应用层中构建图书馆信息管理数据库，根据SQL数据库构建图书馆资源信息管理的本地数据库，采用人工智能算法进行信息管理和优化调度，并在应用层中进行人机交互，实现图书馆智慧服务的信息检索和智慧服务，得到本文设计的图书馆智慧服务的信息检索与智慧服务的总体结构，如图1所示。

图1 图书馆智慧服务的信息检索与智慧服务结构体系

根据图1所示的图书馆智慧服务的信息检索的三层结构体系，进行图书馆智慧服务的信息资源的优化分配[5-6]，根据资源分配结果进行智慧服务模式设计，得到图书馆智慧服务的资源分布结构模型如图2所示。

图2 图书馆智慧服务的资源分布结构模型

根据图2所示的图书馆智慧服务资源分布结构模型，建立图书馆智慧服务模式下的资源分布属性集i∈Ss，采用语义抽取方法进行图书馆智慧服务的信息检索，语义特征分布映射满足式(1)。

(1)

智慧服务模式下图书馆资源的信任关系表示为A→B，B→C。根据上述分析，采用语义抽取方法进行图书馆智慧服务的信息检索，并提取图书馆馆藏资源的语义相关性特征量，进行图书馆智慧服务的信息过滤推荐[7]。

1.2 语义相关性特征提取

根据检索到的图书馆智慧服务信息，采用相空间重构方法进行智慧服务模式下图书馆资源的特征重构和特征提取，提取图书馆馆藏资源的语义相关性特征量，构建图书馆智慧服务的大数据统计分析模型[8]，根据图书馆资源的属性特征进行图书馆智慧服务模式下的关联规则调度，得到图书馆智慧服务的语义相关性特征重构迭代式为式(2)。

i=1,2,…,n

k=1,2,…,n

(2)

根据图书信息的词性标注及词性过滤结果，构建图书馆资源协同过滤的离散调度特征分布集为式(3)。

(3)

(4)

W=[y1,y2,…,yd]

(5)

根据对语义相关性特征提取结果进行图书馆智慧服务模式下的协同过滤推荐。

2 图书馆智慧服务协同过滤推荐算法优化

2.1 读者偏好信息挖掘和文本信息推荐

在上述采用语义抽取方法进行图书馆智慧服务的信息检索，并提取图书馆馆藏资源的语义相关性特征量的基础上，进行图书馆智慧服务模式优化设计，本文提出基于协同过滤推荐算法的图书馆智慧服务模式。采用本体特征映射方法进行图书馆智慧服务过程中的文本信息推荐[9]，在特征空间中将图书馆的推荐资源从m维降低到了d维，得到图书馆智慧服务的协同推荐语义分布结构模型为式(6)。

maxF(X)=(F1(X),F2(X),…,Fn(X))

(6)

根据读者的检索偏好进行语义相关性特征配准，并建立图书馆智慧服务的读者偏好关联规则数据集，对每一个词的词性进行自动配准，得到图书馆智慧服务过程中的读者偏好信息挖掘结果为式(7)—式(9)。

(7)

(8)

(9)

其中，P(X)、P(Y)表示智慧服务模式下图书馆信息资源推荐与读者偏好融合的概率函数，X、Y为图书馆信息资源分布集，P(X∩Y)是联合交叉分布集。通过挖掘到的图书馆智慧服务过程中的读者偏好信息，能够自动推荐本文信息，根据二者的特征匹配结果进行图书馆智慧服务协同过滤推荐设计。

2.2 图书馆智慧服务推荐优化

建立图书馆智慧服务的读者偏好关联规则数据集，采用模糊聚类方法进行特征分块处理，图书馆智慧服务的关联规则结构模型为式(10)。

(10)

其中K=N-(m-1)τ，表示在智慧服务模式下图书馆资源搜索的嵌入维数，τ为时延，m为多种词汇语义关系的层数，si=(xi,xi+τ,…,xi+(m-1)τ)T称为语义本体特征序列。结合Kalman滤波方法实现干扰信息协同过滤，得到智慧服务模式下图书馆资源推荐的信任度值为式(11)。

(11)

将领域共有词作为枢纽特征，进行干扰信息的协同过滤，Kalman滤波的传递函数为式(12)。

βd=(MPDist-d+1)/MPDist,d∈[2,MPDist]

(12)

其中，adj(a,c)表示a→c协同过滤的路径分布个数，βd∈(0,1]，使用源域的领域特有词组合推荐方法，挖掘智慧服务模式下图书馆资源的推荐属性特征量为式(13)、式(14)。

(13)

(14)

采用云散点聚类方法，进行图书馆智慧服务推荐与读者偏好信息的协同匹配，匹配函数满足式(15)。

(15)

使用特征对齐方式，得到智慧服务模式下图书馆资源协同过滤推荐的迭代式为式(16)。

(16)

图3 算法的实现流程

3 仿真实验与结果分析

根据上述参数设计结果，进行图书馆智慧服务的协同过滤推荐，根据读者的检索偏好进行语义相关性特征配准，建立图书馆智慧服务的读者偏好关联规则数据集，得到读者偏好关联规则特征统计结果如图4所示。

图4 读者偏好关联规则特征统计结果

表1 图书馆智慧服务推荐的模糊决策参量

根据读者偏好关联规则特征统计分析结果,进行图书资源输出推荐，实现图书馆智慧服务推荐与读者偏好信息的协同匹配，得到匹配输出如图5所示。

对比图4和图5得知，采用本文方法进行图书馆智慧服务推荐，推荐结果与读者的偏好匹配能力较好。为了验证本文方法的有效性，采用不同方法进行图书馆智慧服务的协同过滤推荐的准确度和时间开销进行对比分析，对比结果如图6所示。

图5 图书馆智慧服务推荐与读者偏好信息的协同匹配结果

(a) 准确度对比

(b) 时间开销

分析图6可知，采用本文方法进行图书馆智慧服务的协同过滤推荐的准确度较高，且推荐过程中的时间开销较短。

4 总结

研究图书馆智慧服务模式，结合智慧化图书馆管理系统进行图书馆信息管理优化，使得读者能够体验更好的图书馆服务水平。为此本文提出基于协同过滤推荐算法的图书馆智慧服务模式。采用相空间重构方法进行智慧服务模式下图书馆资源的特征重构和特征提取，建立图书馆智慧服务模式下的资源分布属性集，根据不同领域内图书信息资源进行语义相关性检测和图书资源分类挖掘，实现图书馆智慧服务推荐与读者偏好信息的协同匹配，完成图书馆智慧服务的协同过滤推荐。研究得知，本文方法进行图书馆智慧服务推荐的配准性能较好，推荐的准确度较高，且推荐过程中的时间开销较短。