Page 226 - 智慧图书馆发展与创新

智慧图书馆发展与创新
Development and Innovation of Smart Libraries

（Topic Model）、神经网络模型（Neural Networks，NN）、动态贝叶斯网络
（Dynamic Bayesian Network，DBN）等，从而建立个体用户画像。基于个体用
户画像的阅读推荐虽然体现出更强的个性化，但给系统造成很大负担，如存储用
户画像所用空间巨大、构建和维护用户画像的成本很高等。考虑到读者与用读

者之间存在共性，通过将个体用户聚类，形成群体用户画像，也可以群体用户
画像的共性作为阅读推荐的依据。常见的聚类算法有协同过滤、K-Means 算法、
DBSCAN 算法。值得注意的是，除读者的自然属性外，其他属性都是动态变化
的，图书馆应根据实际变化情况来对用户画像进行维护、更新。

2. 模式设计
为解决信息过载、知识迷航和情感迷失，公共图书馆社会化阅读服务提供
推荐功能。推荐包括静态推荐和动态推荐。静态推荐是无差别化推荐、批量化推
荐，主要有新书推荐、热门必读、借阅排行等。读者群体受到性别、年龄、受教

育程度等众多因素的影响而表现出不同的阅读兴趣，这在公共图书馆读者中更加
常见。图书馆只利用静态推荐来满足这种多元动态化的阅读需求，显然是不切实
际的。在读者阅读需求表现出个性化的趋势下，静态推荐对读者来说形同虚设，
因此本文系统地构建了基于用户画像的公共图书馆社会化阅读推荐服务模式。在

数据收集和数据预处理的基础上，构建读者个体或者群体用户画像，借助相似度
计算以及相关推荐算法，形成基于相似读者的推荐、基于相似文献的推荐、基于
位置的推荐和基于实时场景的推荐。推荐结果会通过社会化阅读平台向读者进行
展示，读者可以选择喜欢或者不喜欢，系统会通过读者的反馈自动校正算法。

3. 服务内容
社会化阅读推荐的服务内容主要包括较长时间段的文献推荐和实时的文献推
荐。挖掘与用户画像的自然属性、社交属性和兴趣属性中读者维度的相似读者，
并推荐相似读者感兴趣的文献，实现基于相似读者的推荐；挖掘用户画像兴趣属

性中的文献维度可以实现基于相似文献的推荐；挖掘用户画像位置属性可以实现
基于位置的推荐；挖掘用户画像场景属性可以实现基于实时场景的推荐。每种推
荐方式均会产生一系列推荐结果，将前三种推荐方式产生的推荐结果加权整合，
得到较长时间段内的文献推荐结果，而基于实时场景的推荐得到实时的文献推荐

结果。不同于单纯地使用某一方式的推荐系统，该系统使用四种不同的推荐方
式，推荐结果会更加准确，更加符合读者的阅读需求。

·218·