地方本科院校图书馆个性化推荐服务分析

任敏

摘   要：个性化推荐服务已广泛应用于新闻、教育、医疗、图书推荐等各个领域，许多知名高校陆续实现了图书馆的个性化推荐服务，但地方本科院校由于建校时间短、图书馆数字化建设还不完善，个性化推荐技术的应用还比较少。本文在分析高校图书馆个性化服务的发展现状基础上，对比分析了主流的个性化推荐算法，指出了地方本科院校个性化推荐服务中存在的问题，并探讨了其实现个性化推荐服务的对策。

关键词：地方本科院校  图书馆  个性化推荐服务  推荐算法

中图分类号：G250                                 文献标识码：A                        文章编号：1674-098X（2020）06（b）-0242-03

Personalized recommendation service has been widely used in various fields such as news， education， medical treatment， book recommendation and so on， and many well-known universities have also realized the library personalization recommendation service one after another. However， due to the short construction time and the imperfect digital construction of the library， the application of personalized recommendation technology is still relatively rare in local universities. Based on the analysis of the current situation of personalized service in university libraries， this paper compares and analyzes the mainstream personalized recommendation algorithms， points out the problems existing in the personalized recommendation service and discusses the countermeasures to realize the personalized recommendation service in local universities.

Key Words：  Local university; Library; Personalized recommendation service; Recommendation  algorithm

隨着新建地方本科院校的转型和快速发展，各地方本科院校图书馆均购置了丰富的虚拟馆藏资源，但面对如此海量的数字资源，图书馆传统的一键式检索服务，已不能满足广大师生日益增长的个性化需求。个性化推荐技术在图书领域的发展及应用，既满足了读者个性化的需求，又大大提高了图书馆的服务质量和水平，因此对地方本科院校图书馆的个性化服务进行研究和分析，有非常重要的现实意义。

1  高校图书馆个性化发展现状

时代的发展和技术的进步使得个性化推荐在图书馆的应用成为必然。目前对高校图书馆的个性化推荐服务的研究很多，主要集中在推荐算法和系统应用两个方面。在推荐算法方面，林敏、陈美龙（2017）利用大数据 Hadoop 数据处理平台，对协同过滤算法进行了改进，并应用到智慧图书馆中使之更加智慧高效[1]。姬炜（2017年）提出了一种改进的相似度算法来完成图书推荐功能[2]。何波等（2017年）提出了基于大数据的高校图书馆个性化服务模型，并设计了个性化集成服务原型系统[3]。张永强（2018年）提出了基于文本相似度比较的个性化推荐[4]。

在推荐系统方面，已经有很多成熟的系统，如：美国康奈尔大学的My Library@Cornell 系统、美国斯坦福大学研发的 Fab 系统、德国卡尔斯鲁大学研发的 Big Tip 系统等[5]。近年来，我国也陆续开发了图书个性化推荐系统并投入使用，有：中科院开发的“基于个性化集成定制的门户网站”、浙江大学（2002）开发的My Library、中国人民大学（2003）的“数字图书馆个性化服务系统”[6]、清华大学和清华同方一起研究开发的CNKI工程等。目前在各大知名高校的图书馆中也都引入了个性化推荐的技术，但在发展中的大部分地方本科院校图书馆中，还没有引入个性化推荐的平台和技术，还不能实现图书资料的个性化推荐，这也是地方本科高校图书馆数字化建设的一个重要目标。

2  推荐算法对比分析

推荐系统被认为是解决信息过载、信息迷失和用户个性化需求多样化的重要工具，其核心是个性化推荐算法，其中主流的推荐算法优缺点如表1所示。

其中协同过滤算法又分为：基于用户的协同过滤算法（UserCF）和基于物品的协同过滤算法（ItemCF），两者的优缺点比较分析如表2所示。

3  地方本科院校图书个性化推荐存在的问题

3.1 服务定位不清，个性化服务意识不强

在升本之前大部分地方本科高校图书馆主要是为师生进行教学方面的服务，采用的是传统的管理模式和管理系统，服务方式多为坐等式、守摊子式的被动服务，馆员的学历和层次不高，随着本科建设的进展和本科评估对教学、科研各方面要求的增多，图书馆的服务除了满足师生学习的需要外，还加大了对师生进行科学研究和创新的个性化化服务。但是目前地方本科院校图书馆数字化建设水平不高，服务定位比较低，馆员素质参差不齐，还没有意识到为师生进行个性化服务的作用及价值，跟不上学校改革发展的步伐，个性化服务意识不强，馆藏图书借阅率和数字资源利用率较低，造成了文献资源的浪费。图书馆对于电子化书目的重视程度还不够，对电子资源的宣传也十分不足，不少学生在校阶段不知道图书馆有大量的电子期刊资源，也不知道如何去下载免费的资料，图书馆内虽然安装了数字借阅机，方便了学生下载到手机上进行阅读，但很多学生在下载了资源之后只是简单的复制和粘贴，并不能进行分析、综述和解决自己的问题。另外学校图书馆仅局限于学校师生内部使用，缺乏为周边区域经济社会发展服务的意识，未能向社会开放。如何转变观念，建立起高效科学、具有个性化推荐的服务，已经逐渐成为当前地方本科高校图书馆数字化建设面临的重要问题。

3.2 图书资源分配不合理

虽然在地方本科高校图书馆中购买了大量的数字资源，但由于本科评估的需要也购置了大量的纸质图书，且比重比较大，不仅加大了图书管理员的工作强度还造成各种人力物力的浪费。另外，目前大部分学生还是喜欢借阅纸质的图书，而且借阅的时间会比较长，因为纸质图书不仅携带方便，还不用受移动设备、网络、教室等因素的限制，可以随时随地拿出来进行阅读，随着智能阅读终端、智能手机、移动PDA、平板电脑等设备的普及以及5G网络的发展，学生购买智能终端设备的费用和上网的费用会大大减少，因此师生的阅读习惯正在由纸质化转向电子化。对于这一转变，图书馆的资源管理也应当与之相适应。在图书资源的管理上购进更多的电子化书目，在图书的服务上实现依据学生的兴趣爱好进行个性化的推荐服务。

3.3 学生的信息素养普遍较低

信息素养是指能判断何时需要信息，懂得如何去获取信息、如何评价和有效利用信息的一种能力[8]。目前新生入学后，大多数地方本科高校都会对学生进行入馆教育，也有些学校通过微信公众号在手机端进行自学培训，学生通过观看视屏、答题闯关等了解入馆须知，有少量专业在高年级还会开设文献检索课程，但是仍有部分学校未进行任何培训，以至于很多学生只会借阅纸质图书资料，对于电子资料的查询一般都是到网上进行搜索，有些学生甚至不知道图书馆有大量免费的电子资源，在写课程大作业和毕业设计时，不知道该怎样使用图书馆的电子资源库获取所需文献，更不能对信息进行综述、评价，学生的信息素养普遍较低。

3.4 没有实现个性化推荐

目前地方本科高校图书馆的数字资源越来越丰富，除了自建的特色数字资源，大部分数字资源都是花钱购买或租赁后通过一定的认证方式开放给全校师生免费使用，对于电子资源，师生只能通过登录本校图书馆网站进行检索下载或者进行文献传递，但往往检索出来的内容不够精确，很多地方本科院校的图书馆没有购买个性化的推荐平台和技术，因此不能提供给师生个性化的推荐服务。

4  地方本科高校开展个性化推荐的对策

4.1 转变服务意识，确定服务定位，加大数字资源的建设

隨着地方本科高校图书馆数字化建设的加快，图书馆的服务定位也逐渐发生了转变，过去守摊型被动式的服务形式已经不能满足师生个性化的需求。因此图书馆必须主动出击，转变服务意识，变被动为主动，收集用户的各种行为、兴趣和爱好，这是个性化推荐服务算法的信息来源基础，利用个性化推荐技术，根据读者的兴趣爱好主动进行个性化的推荐服务。另外，在图书馆资源建设方面，逐渐加大电子图书及资源的购买量，尤其是国内外知名的学术前沿电子资源，并在图书馆门口张贴新书书单，在图书馆网站首页上进行新书和电子资源的网页信息推送，在推荐平台上进行个性化推荐的服务。

4.2 采用大数据挖掘技术

在很多地方本科院校的图书馆，已经积累了很多的数据，图书馆可以利用大数据的数据挖掘技术，挖掘出有意义的信息，进而分析师生的阅读习惯、兴趣爱好，对他们的个性化需求进行研究，从而实现个性化的精准推荐。挖掘数据主要有三种方式：一是实现师生的自动分类和统计分析，二是利用数据挖掘系统提供的OLAP工具，对集成数据进行多维分析比较，对决策信息进行检查和验证，提高决策的可信度[9]。三是建立事物数据库，使用基于Apriori改进算法对学生借阅历史数据进行深度挖掘分析，挖掘出图书借阅数据的关联规则，由已经得到的关联规则和用户浏览过的电子图书资料，来向读者推送信息。目前在地方本科院校的图书馆建设中，个性化服务已经成为一种必然的趋势，如何将大数据挖掘与个性化服务结合起来，使得这一服务更加符合读者需求，是目前地方本科高校图书馆需要解决的关键问题。

4.3 新用户问题

刚步入大学的大一新生经过一年的学习之后，仍然有大部分同学在图书馆无借阅行为记录。因此对于大一新生，在入馆教育时可以通过电子调查问卷的形式收集新生的阅读习惯和需求，形成数据集，另外对于相同或相近专业的学生来说，上一年级的借阅习惯和记录可以在一定程度上作为下一年级的推荐参考。大学一年级是培养大学生学习和阅读习惯的关键一年，图书馆应在大一新生入学之初，准确地为他们提供个性化推荐服务，积极主动地引导他们合理利用图书馆资源，养成良好的学习和阅读习惯，为大学学习打下坚实的基础。

4.4 利用移动客户端

随着智能阅读终端、智能手机、移动PDA、平板电脑等设备性能的提升和制造成本的下降以及学校免费无线wifi的全覆盖，学生再也不用顾忌上网的费用，移动阅读也渐渐成了师生阅读的主要模式，首先图书馆要通过移动终端设备收集师生的阅读兴趣和爱好，并实时追踪读者移动阅读的数据，实现基于移动大数据的个性化推荐，提升图书馆移动阅读服务个性化推送的精确性。