推薦系統(tǒng)的發(fā)展與公共圖書館個(gè)性化信息服務(wù)探討

阮光冊(cè)　夏　磊（.華東師范大學(xué)　上?！?04；.上海圖書館　上?！?003）

?

推薦系統(tǒng)的發(fā)展與公共圖書館個(gè)性化信息服務(wù)探討

阮光冊(cè)1夏磊2
（1.華東師范大學(xué)上海200241；2.上海圖書館上海200031）

〔摘要〕文章探討了推薦系統(tǒng)的發(fā)展，對(duì)目前國(guó)內(nèi)外圖書館推薦系統(tǒng)發(fā)展的情況進(jìn)行了總結(jié)，并對(duì)公共圖書館運(yùn)用推薦系統(tǒng)為讀者提供個(gè)性化信息服務(wù)提出了一些思考，以期為公共圖書館的數(shù)字化服務(wù)提供理論借鑒。

〔關(guān)鍵詞〕推薦系統(tǒng)數(shù)字圖書館公共圖書館個(gè)性化信息服務(wù)

〔分類號(hào)〕G252

〔引用文本格式〕阮光冊(cè)，夏磊.推薦系統(tǒng)的發(fā)展與公共圖書館個(gè)性化信息服務(wù)探討[J].圖書館，2016（2）：94-99

信息資源的迅速增長(zhǎng)，給人們帶來了“信息過載”問題[1]。雖然搜索引擎、門戶網(wǎng)站、專業(yè)化的數(shù)據(jù)庫可以為用戶提供過濾信息，但是無法提供個(gè)性化的信息服務(wù)。推薦系統(tǒng)（recommender system）的本質(zhì)是“信息發(fā)現(xiàn)”，被認(rèn)為是解決當(dāng)前信息超載問題非常有潛力的方法。推薦系統(tǒng)通過挖掘用戶與對(duì)象之間（user-item）的二元關(guān)系，從大量數(shù)據(jù)中發(fā)現(xiàn)用戶可能感興趣的項(xiàng)目，并生成推薦列表以滿足用戶個(gè)性化需求。

2008年，中國(guó)圖書館學(xué)會(huì)年會(huì)頒發(fā)的《圖書館服務(wù)宣言》中明確提出，要保障全體社會(huì)成員普遍均等地享有圖書館服務(wù)。2012年《公共圖書館服務(wù)規(guī)范》中，也明確指出：公共圖書館服務(wù)對(duì)象包括所有公眾。如何保證讓全社會(huì)成員普遍均等地享有圖書館服務(wù)呢？筆者認(rèn)為，公共圖書館從傳統(tǒng)服務(wù)向數(shù)字服務(wù)轉(zhuǎn)型將是必經(jīng)之路，而數(shù)字服務(wù)的優(yōu)劣將直接影響到讀者對(duì)圖書館服務(wù)的滿意度。我國(guó)公共圖書館數(shù)字化服務(wù)開始于國(guó)家圖書館“數(shù)字圖書館實(shí)驗(yàn)演示系統(tǒng)”的開發(fā)[2]，經(jīng)過近20年的發(fā)展，公共圖書館數(shù)字資源建設(shè)頗具成效。以上海圖書館為例，截至2014年底，共建設(shè)電子圖書近30萬種，電子期刊近1500種，電子報(bào)紙500余種，網(wǎng)絡(luò)文學(xué)10000多種。

1　推薦系統(tǒng)概述

推薦系統(tǒng)的發(fā)展歷經(jīng)近 20 年的時(shí)間，但是迄今為止仍沒有一個(gè)精確的定義。推薦系統(tǒng)作為一個(gè)獨(dú)立的研究方向一般被認(rèn)為始于1994 年明尼蘇達(dá)大學(xué)GroupLens 研究組推出的 GroupLens 系統(tǒng)[3]，該研究小組提出了推薦系統(tǒng)算法的同時(shí)，建立了推薦系統(tǒng)的一般模型，引領(lǐng)了未來十幾年推薦系統(tǒng)的發(fā)展。目前，推薦系統(tǒng)涵蓋了信息檢索[4]、認(rèn)知科學(xué)、管理科學(xué)[5]等眾多的研究領(lǐng)域。

推薦系統(tǒng)的一般結(jié)構(gòu)包括對(duì)象、用戶、推薦算法三個(gè)要素[6]。推薦形式基本有兩種：①系統(tǒng)采集用戶信息和對(duì)象數(shù)據(jù)進(jìn)行計(jì)算，建立模型向用戶推薦；②用戶向系統(tǒng)提供個(gè)人的相關(guān)信息并提出推薦請(qǐng)求，根據(jù)用戶的相關(guān)信息系統(tǒng)進(jìn)行計(jì)算得到推薦結(jié)果。推薦算法研究的中心問題是效用函數(shù)的計(jì)算，目前各類推薦系統(tǒng)均采用了不同的策略，設(shè)計(jì)不同的效用函數(shù)實(shí)現(xiàn)用戶的信息推薦。推薦的算法是推薦系統(tǒng)的核心，算法的好壞決定了推薦系統(tǒng)類型和性能的優(yōu)劣。目前常用的推薦算法有基于內(nèi)容的推薦[4, 7, 8]、協(xié)同過濾的推薦[9-11]、組合推薦[12-14]、基于知識(shí)的推薦[15, 16]、基于上下文的推薦等。

隨著社會(huì)化媒體的廣泛應(yīng)用和社交網(wǎng)絡(luò)的快速發(fā)展，以SNS、Blog、 Mini-blog、IM、Email等一系列互聯(lián)網(wǎng)信息傳播工具為載體，巨大的信息量和復(fù)雜的社會(huì)網(wǎng)絡(luò)關(guān)系為推薦技術(shù)的發(fā)展帶來了新的研究方向——社交網(wǎng)絡(luò)推薦。社交網(wǎng)絡(luò)可獲取的數(shù)據(jù)豐富多樣，包括社會(huì)化標(biāo)簽和社交關(guān)系等，這使得社交網(wǎng)絡(luò)的推薦模式不再是單一形式，除了一般的信息推薦，還包括組（一群用戶）的推薦。

隨著移動(dòng)互聯(lián)網(wǎng)的飛速發(fā)展，移動(dòng)網(wǎng)絡(luò)與計(jì)算機(jī)網(wǎng)絡(luò)逐漸實(shí)現(xiàn)了融合，這種趨勢(shì)使得互聯(lián)網(wǎng)信息服務(wù)得到了延伸。移動(dòng)推薦系統(tǒng)大多與用戶的上下文環(huán)境密切相關(guān)[17]，即用戶在不同的時(shí)間[18]、地點(diǎn)[19, 20]、環(huán)境[21]下的個(gè)性化需求是不相同的。移動(dòng)推薦目前已經(jīng)取得了一定的研究成果。在新聞推薦領(lǐng)域、在線音樂[22]、在線視頻[23]等方面獲得了應(yīng)用。此外，還有研究者通過獲取Wikipedia上的知識(shí)來實(shí)現(xiàn)移動(dòng)推薦[24]。

推薦系統(tǒng)的核心目標(biāo)是“信息發(fā)現(xiàn)”，要完成這一目標(biāo)需要具體解決預(yù)測(cè)和推薦兩個(gè)主要問題。預(yù)測(cè)要解決用戶（User）對(duì)每一個(gè)對(duì)象（Item）的喜好程度，常用的方法是從用戶的歷史信息來進(jìn)行計(jì)算或構(gòu)建用戶的特征模型，以此來分析用戶的行為和興趣。預(yù)測(cè)的結(jié)果越準(zhǔn)確，推薦的結(jié)果也將越精確。目前的很多研究都集中在預(yù)測(cè)環(huán)節(jié)，絕大多數(shù)研究都把精力放在如何構(gòu)建推薦算法方面，希望推薦系統(tǒng)達(dá)到最佳的預(yù)測(cè)“準(zhǔn)確度（accuracy）”[24-26]。推薦系統(tǒng)的預(yù)測(cè)準(zhǔn)確度當(dāng)然是評(píng)估的重要指標(biāo)，但是“準(zhǔn)確度”不是唯一的標(biāo)準(zhǔn)。目前，推薦結(jié)果的多樣性[27]、推薦界面的設(shè)計(jì)[28]等也受到越來越多的關(guān)注。

2　國(guó)內(nèi)外圖書館推薦系統(tǒng)的應(yīng)用

隨著信息技術(shù)和搜索引擎的發(fā)展，圖書館傳統(tǒng)信息服務(wù)方式已漸漸不能滿足讀者個(gè)性化信息需求，正如美國(guó)圖書館學(xué)家羅伯特·奧里森所說：“如果圖書館在信息社會(huì)里沒有競(jìng)爭(zhēng)力，那么它將被新的信息機(jī)構(gòu)所取代”。20世紀(jì)90 年代末，美國(guó)和英國(guó)圖書館開始對(duì)數(shù)字圖書館個(gè)性化服務(wù)系統(tǒng)進(jìn)行開發(fā)和設(shè)計(jì)，并取得初步成果。1997年，MyLibrary系統(tǒng)開始在美國(guó)投入使用，該系統(tǒng)是站在圖書館的立場(chǎng)尋找一種個(gè)性化的視角，以解決信息過載和管理負(fù)擔(dān)過重的問題，其后英、法、日、德、意等國(guó)也開始了這方面的研究。2010年謝菲爾德大學(xué)聯(lián)合OCLC，開發(fā)基于用戶要求與偏好的圖書館目錄推薦系統(tǒng)[29]。目前，國(guó)外主要圖書館推薦系統(tǒng)、推薦算法、研究機(jī)構(gòu)如表1所示。

表1　國(guó)外主要圖書館推薦系統(tǒng)應(yīng)用

基于圖表的數(shù)字圖書館推薦系統(tǒng)協(xié)同過濾與基于內(nèi)容的混合推薦系統(tǒng)　美國(guó)Arizona大學(xué)圖書館SERF系統(tǒng)　系統(tǒng)過濾　美國(guó)俄勒岡州立大學(xué)圖書館Mevy　基于流通數(shù)據(jù)　加州大學(xué)圖書館

相對(duì)于國(guó)外圖書館推薦系統(tǒng)，國(guó)內(nèi)圖書館個(gè)性化服務(wù)開始于1999年底國(guó)家科技部扶持的“中國(guó)數(shù)字圖書館示范系統(tǒng)”。2001年，我國(guó)開始了圖書館個(gè)性化信息服務(wù)的研究和應(yīng)用。中國(guó)科學(xué)院國(guó)家科學(xué)數(shù)字圖書館根據(jù)北卡羅林那州立大學(xué)的MyLibrary系統(tǒng)成功開發(fā)了“我的數(shù)字圖書館”（MyLibrary）。

國(guó)內(nèi)圖書館近幾年在推薦系統(tǒng)中的取得了一些成果，如上海圖書館在“MyLibrary”系統(tǒng)中增加了暢銷書推薦的功能。但依然有一些問題阻礙圖書館推薦系統(tǒng)的發(fā)展：

（1）資源特征描述存在困難

資源的特征描述與用戶興趣的匹配是推薦系統(tǒng)的主要工作，決定了推薦效果的好壞。然而，一些數(shù)字資源在特征描述上存在困難，如：老唱片等影像資料。

（2）獲取信息不完全

圖書館在收集用戶的興趣特征時(shí)存在一定難度，由于很多圖書資源缺少用戶的評(píng)價(jià)，導(dǎo)致相似用戶計(jì)算不夠準(zhǔn)確，因此在基于協(xié)同推薦算法中系統(tǒng)很難實(shí)施有效的推薦。

（3）缺乏信息的深度挖掘

圖書館的推薦系統(tǒng)缺乏對(duì)用戶興趣的全面分析，在構(gòu)建用戶模型方面也僅僅通過流通數(shù)據(jù)來完成，因此在針對(duì)不同用戶時(shí)無法提供有差別的服務(wù)。

（4）提供的信息服務(wù)缺乏有效的服務(wù)集成

很多圖書館的個(gè)性化服務(wù)系統(tǒng)沒有能夠集成諸如在線參考咨詢和全文文獻(xiàn)傳遞等服務(wù)項(xiàng)目，由于缺乏有效的服務(wù)集成，因此很難提供定制推薦的服務(wù)。

3　公共圖書館提供個(gè)性化數(shù)字服務(wù)的思考

信息化時(shí)代，公共圖書館要將館員-讀者-資源這三要素有機(jī)的結(jié)合，為讀者（到館與非到館）提供更有價(jià)值的個(gè)性化信息服務(wù)?，F(xiàn)借鑒推薦系統(tǒng)的發(fā)展，提出如下思考。

3.1流通數(shù)據(jù)的“長(zhǎng)尾”效應(yīng)

信息時(shí)代，圖書館館員除了是信息提供者外，還需具備信息挖掘的能力。流通數(shù)據(jù)是圖書館傳統(tǒng)服務(wù)中最寶貴的財(cái)富。如2014年，上海市中心圖書館圖書流通量超過5800萬冊(cè)。在圖書借閱、信息推薦過程中，館員需要向讀者推薦他們感興趣的讀物，然而，不能只推薦流行的讀物，這樣對(duì)讀者的體驗(yàn)并不好。因?yàn)樽x者很可能已經(jīng)知道這些熱銷流行的讀物，讀者也不會(huì)認(rèn)同這是一種“個(gè)性化”的數(shù)字服務(wù)。圖書館的個(gè)性化服務(wù)如果能夠有更多推薦的類型，那么將大大激發(fā)讀者對(duì)館藏資源的使用興趣。

OCLC 副主席 Lorcan Dempsey說：圖書館集聚了研究、學(xué)習(xí)和文化資源的長(zhǎng)尾，我們需要做更多的工作來確保這一長(zhǎng)尾能直接有效地提高我們的讀者的工作和生活[30]。在電子商務(wù)領(lǐng)域，已經(jīng)有推薦系統(tǒng)開始關(guān)注商品的長(zhǎng)尾理論[31]，研究將不是最熱門的商品推薦給用戶。如在亞馬遜網(wǎng)絡(luò)書店，管理人員將眾多的圖書賦予類型和關(guān)鍵詞等特性，用戶也可以貼上標(biāo)簽，這樣為找到非熱門讀物提供了可能。Google則打破分類的概念，給用戶提供足夠廣的選擇空間，讓用戶在信息中找到自己所需。圖書館在個(gè)性化服務(wù)過程中，應(yīng)該開發(fā)利用80%沒有被讀者“發(fā)現(xiàn)”的長(zhǎng)尾資源，使讀者能在海量館藏資源中找到所需信息。目前，已有國(guó)外學(xué)者在查詢推薦的長(zhǎng)尾理論方面進(jìn)行了研究[32]，以提高Web搜索的效率。隨著互聯(lián)網(wǎng)應(yīng)用的普及和深入，長(zhǎng)尾理論的影響還在進(jìn)一步深入，公共圖書館應(yīng)該在個(gè)性化服務(wù)中借鑒該理論，對(duì)海量流通數(shù)據(jù)進(jìn)行分析，為讀者提供更加個(gè)性化的閱讀推薦。

3.2結(jié)合社交平臺(tái)數(shù)據(jù)的個(gè)性化推薦服務(wù)

圖書館對(duì)社交網(wǎng)絡(luò)服務(wù) (SNS)的研究已經(jīng)取得了一定的成果，利用社交網(wǎng)絡(luò)開展信息服務(wù)的圖書館也較多，通過社交網(wǎng)絡(luò)平臺(tái)，圖書館可以發(fā)布諸如：圖書館活動(dòng)、講座培訓(xùn)信息、新書通報(bào)、好書推薦、以及虛擬參考咨詢服務(wù)等。已有文獻(xiàn)[33， 34]描述了圖書館如何通過社交網(wǎng)絡(luò)拓展服務(wù)的方法，如：為圖書館添加標(biāo)簽、為圖書館編輯條目、介紹圖書館員、圖書館導(dǎo)航、讓用戶提供個(gè)人信息（文本、圖片）等，通過這些方式實(shí)現(xiàn)社交網(wǎng)絡(luò)在圖書館中的應(yīng)用。此外，在一些研究中[35]也探討了如何通過用戶在社交媒體上的交流來了解讀者對(duì)信息需求的動(dòng)態(tài)，并提醒圖書館員關(guān)注那些平時(shí)無法得到的信息。

雖然圖書館在社交網(wǎng)絡(luò)中有一定的應(yīng)用，但是將圖書館個(gè)性化推薦與社交網(wǎng)絡(luò)結(jié)合還沒有更多的研究。由于社會(huì)化網(wǎng)絡(luò)中存在傳遞性、“小世界”效應(yīng)、社區(qū)結(jié)構(gòu)等特性[35]，因此，合理利用社交網(wǎng)絡(luò)將有助于提高圖書館推薦系統(tǒng)的準(zhǔn)確度。有研究發(fā)現(xiàn)，通過社會(huì)關(guān)系的分析，將大幅提高科研文獻(xiàn)的推薦準(zhǔn)確度[36]。

在圖書館的虛擬參考服務(wù)中，很多圖書館根據(jù)讀者咨詢的問題，已經(jīng)建設(shè)了相關(guān)的知識(shí)庫。如果能將這些知識(shí)庫信息和推薦系統(tǒng)相結(jié)合，根據(jù)讀者的咨詢問題，利用推薦系統(tǒng)向讀者提供其所需要的信息，將大大滿足讀者的個(gè)性化需求。

3.3移動(dòng)個(gè)性化推薦服務(wù)的研究

隨著智能移動(dòng)設(shè)備的普及，信息資源的獲取變得更加方便，逐漸成為人們獲取信息的重要平臺(tái)。借助手機(jī)、PDA等移動(dòng)終端，讀者可以隨時(shí)隨地訪問圖書館資源、閱讀電子書、查詢書目并接收?qǐng)D書館服務(wù)。2010年OCLC組織專題討論“圖書館的未來是移動(dòng)，你準(zhǔn)備好了嗎？”（The Future is Mobile. Is Your Library Ready?）。2014年，IFLA在其研討會(huì)“全球數(shù)字化的背景下公共圖書館的未來”（Public Library Futures In A Global Digital World）中，也討論了公共圖書館移動(dòng)服務(wù)的問題。目前，借助移動(dòng)技術(shù)來促進(jìn)圖書館服務(wù)已成為公共圖書館發(fā)展的契機(jī)。美國(guó)移動(dòng)圖書館服務(wù)普及率相當(dāng)高，僅高校圖書館的移動(dòng)圖書館服務(wù)普及率就已經(jīng)達(dá)到很高的比率[37]。我國(guó)自2003 年起陸續(xù)推行此項(xiàng)服務(wù)，目前已取得一定的成果。近幾年，很多公共圖書館相繼開展了微博、微信等移動(dòng)服務(wù)。上海圖書館近幾年來，已經(jīng)推出了很多基于手機(jī)和平板終端的APP應(yīng)用，更是自主研發(fā)了“愛悅讀”數(shù)字閱讀自助機(jī)，為讀者提供在線閱讀、圖書下載的智能移動(dòng)閱讀服務(wù)。

移動(dòng)推薦是近幾年新興的研究領(lǐng)域[38， 39]。由于移動(dòng)用戶的移動(dòng)特性，可以隨時(shí)通過移動(dòng)通信終端接入網(wǎng)絡(luò)，位置和時(shí)間成為推薦系統(tǒng)的一個(gè)重要上下文感知信息，使得信息推送更及時(shí)和有針對(duì)性[40]。圖書館推薦系統(tǒng)可以借鑒移動(dòng)推薦的技術(shù)來分析讀者短期和長(zhǎng)期的興趣，進(jìn)而改進(jìn)推薦效果，達(dá)到優(yōu)化館藏資源的目的。例如，通過移動(dòng)設(shè)備當(dāng)發(fā)現(xiàn)某讀者在不同地點(diǎn)訪問時(shí)，便可推薦其所在區(qū)域圖書館的特色資源等。

3.4優(yōu)化用戶體驗(yàn)

有的圖書館已經(jīng)有了很好的技術(shù)、服務(wù)和資源，但因?yàn)槿狈α己玫挠脩趔w驗(yàn)，所以不能吸引更多的讀者利用圖書館資源，尤其是圖書館的電子資源。用戶體驗(yàn)是衡量圖書館推薦系統(tǒng)的重要評(píng)價(jià)指標(biāo)。好的用戶體驗(yàn)不僅能使用戶印象深刻，還能促使其與其他用戶進(jìn)行分享，提高推薦系統(tǒng)的粘性。個(gè)性化推薦結(jié)果的解釋是用戶體驗(yàn)的一個(gè)方面，用戶在使用個(gè)性化推薦系統(tǒng)時(shí)，更希望了解系統(tǒng)如何給出的推薦結(jié)果，這對(duì)用戶的體驗(yàn)非常重要[41]。亞馬遜書店在商品推薦后會(huì)發(fā)送電子郵件告訴用戶之所以向其推薦某書，是因?yàn)橛脩粢郧暗馁彆袨檫M(jìn)行的預(yù)測(cè)[42]。新浪微博、Google Reader也有類似的推薦解釋。實(shí)際應(yīng)用中，推薦系統(tǒng)的輸出數(shù)據(jù)是一個(gè)結(jié)果列表，為了提高用戶的體驗(yàn)，這張列表可以包含相關(guān)的解釋信息，如：借過讀過什么（歷史的借閱數(shù)據(jù)）、瀏覽過什么（行為數(shù)據(jù)）、猜你可能喜歡什么（個(gè)性化預(yù)測(cè)）、個(gè)性化熱門推薦（個(gè)性化的流行讀物）等，每一類信息都有特定的解釋，而不是簡(jiǎn)單的列表，這樣為讀者提供的體驗(yàn)將會(huì)非常不同。

良好的用戶界面設(shè)計(jì)也能提高用戶的體驗(yàn)，如，推薦結(jié)果在頁面的位置也會(huì)給讀者帶來不同的感受。然而，對(duì)于用戶界面設(shè)計(jì)，很難用理論模型和量化的方式解決。好的界面設(shè)計(jì)能夠提高用戶體驗(yàn)，但用戶界面設(shè)計(jì)的準(zhǔn)則可能大不相同，建立一個(gè)可以進(jìn)行A/B測(cè)試的系統(tǒng)，將有助于積累重要的實(shí)驗(yàn)數(shù)據(jù)，為提供用戶體驗(yàn)感覺提供理論依據(jù)。

在移動(dòng)技術(shù)、電子商務(wù)技術(shù)飛速發(fā)展的今天，圖書館的讀者可能會(huì)要求圖書館像商業(yè)機(jī)構(gòu)一樣提供卓越的用戶體驗(yàn)，一旦他們覺得圖書館的服務(wù)無法達(dá)到他們的體驗(yàn)要求時(shí)，可能就不再愿意利用圖書館的資源了。因此卓越的用戶體驗(yàn)對(duì)圖書館服務(wù)讀者（尤其是非到館讀者）至關(guān)重要。

3.5個(gè)性化推薦和資源發(fā)現(xiàn)系統(tǒng)的有效結(jié)合

2009年1月的ALA( American Library Association)年會(huì)上，Series Solution 公司宣布即將發(fā)布全球第一個(gè)網(wǎng)絡(luò)級(jí)資源發(fā)現(xiàn)系統(tǒng)——Summon，資源發(fā)現(xiàn)系統(tǒng)作為全新的學(xué)術(shù)信息發(fā)現(xiàn)工具引起了全球圖書館的關(guān)注。資源發(fā)現(xiàn)系統(tǒng)以“簡(jiǎn)單、快速、易用、有效”的檢索體驗(yàn)，顛覆了傳統(tǒng)的圖書館整合檢索系統(tǒng)所帶給用戶的感受。目前，全球采用各類資源發(fā)現(xiàn)系統(tǒng)的圖書館及其他信息機(jī)構(gòu)的數(shù)量已超過1300 家。就國(guó)內(nèi)而言，很多高校圖書館和公共圖書館這幾年也都紛紛開始了資源發(fā)現(xiàn)系統(tǒng)的研究和實(shí)踐。

資源發(fā)現(xiàn)系統(tǒng)可以通過對(duì)海量數(shù)據(jù)的分析，揭示出隱含的、有潛在價(jià)值的信息和知識(shí)。面對(duì)海量的數(shù)據(jù)集合，覆蓋多個(gè)學(xué)科、跨越十年甚至幾十年的學(xué)術(shù)出版物可以帶給我們?cè)S多新鮮的發(fā)現(xiàn)，基于特定需求分析海量數(shù)據(jù)，可以得到信息之間的關(guān)聯(lián)和學(xué)術(shù)發(fā)展趨勢(shì)。這將使得圖書館為教學(xué)科研提供細(xì)顆粒度的、高度粘合和個(gè)性化的服務(wù)成為可能，同時(shí)賦予這個(gè)海量數(shù)據(jù)無窮的活力[43]。

4　結(jié)語

推薦系統(tǒng)是解決信息過載的有效方案，可以為用戶提供個(gè)性化的信息服務(wù)。隨著需求信息多元化時(shí)代的到來，公共圖書館如何將數(shù)字化資源推薦給到館和非到館的讀者，是促進(jìn)圖書館個(gè)性化數(shù)字服務(wù)的發(fā)展目標(biāo)。雖然圖書館推薦系統(tǒng)已有一定的應(yīng)用，但是也存在一些問題，文章分析了推薦系統(tǒng)的發(fā)展現(xiàn)狀，結(jié)合公共圖書館的現(xiàn)狀，對(duì)圖書館個(gè)性化數(shù)字服務(wù)進(jìn)行了思考，以期為我國(guó)公共圖書館的數(shù)字化服務(wù)提供理論借鑒。

（來稿時(shí)間：2015年7月）

參考文獻(xiàn)：

1. Lazer D., Pentland A., Adamie L, etal. Computational social science [J]. Science, 2009, 323：721-723

2. 趙紅杰.試論我國(guó)檔案館、圖書館、博物館的協(xié)作與共建[D].武漢：湖北大學(xué)碩士論文， 2009

3. P. Resnick, N. Iacovou, etc. “GroupLens: An Open Architecture for Collaborative Filtering of Netnews”, Proceedings of ACM Conference on Computer Supported Cooperative Work[J]. CSCW， 1994：175-186

4. Baeza-Yates R, Ribeiro-Neto B. Modern Information Retrieval[M]. New York: Addison-Wesley Publishing Co., 1999

5. Murthi BPS, Sarkar S. The role of the management sciences in research on personalization[J]. Management Science, 2003, 49 （10）：1344-1362

6. Resnick P, Varian HR. Recommender systems [J]. Communications of the ACM, 1997, 40（3）：56-58

7. Somlo G, Howe A. Adaptive lightweight text filtering. In: Proc. of the 4th Int’l Symp. on Intelligent Data Analysis[M]. Berlin, Heidelberg: Springer-Verlag, 2001：319-329

8. Zhang Y, Callan J, Minka T. Novelty and redundancy detection in adaptive filtering. In: Proc. of the 25th Annual Int’l ACM SIGIR Conf[M]. New York: ACM Press, 2002：81-88

9. Breese JS, Heckerman D, Kadie C. Empirical analysis of predictive algorithms for collaborative filtering. Technical Report, MSR-TR-98-12[R]. Redmond: Microsoft Research, 1998

10. Hofmann T. Collaborative filtering via Gaussian probabilistic latent semantic analysis. In: Proc. of the 26th Int’l ACM SIGIR Conf[M]. New York: ACM Press, 2003：259-266

11. Marlin B. Modeling user rating profiles for collaborative filtering. In: Proc. of the 17th Annual Conf. on Neural Information Processing Systems[M]. Cambridge: MIT Press, 2003：627-634

12. Balabanovic M, Shoham Y. Fab: Content-Based, collaborative recommendation[J]. Communications of the ACM, 1997, 40（3）：66-72

13. Basu C, Hirsh H, Cohen W. Recommendation as classification: Using social and content-based information in recommendation[M]. In: Proc. of the AAAI’98. Menlo Park: AAAI Press， 1998：714-720

14. Melville P, Mooney RJ, Nagarajan R. Content-Boosted collaborative filtering for improved recommendations. In: Proc. of the 18th National Conf. on Artificial Intelligence[M]. Menlo Park: American Association for Artificial Intelligence, 2002：187-192

15. Burke R. Knowledge-Based recommender systems[J]. Encyclopedia of Library and Information Systems, 2000, 69（32）：180-200

16. Middleton SE, Shadbolt NR, de Roure DC. Ontological user profiling in recommender systems[J]. ACM Trans. on Information Systems, 2004, 22（1）：54-88

17. Dey AK. Understanding and using context[J]. Personal and Ubiquitous Computing, 2001, 5（1）：4-7

18. Lee TQ, Park Y, Park YT. A time-based approach to effective recommender systems using implicit feedback[J]. Expert Systems with Applications, 2008, 34（4）：3055-3062

19. Ricci F, Rokach L, Shapira B, Kantor PB. Recommender Systems Handbook[M]. Berlin: Springer-Verlag, 2011：1-842

20. Zheng Y, Zhang L, Ma Z, Xie X, Ma WY. Recommending friends and locations based on individual location history. ACM Trans[J]. on the Web (TWEB), 2011, 5（1）：1-44

21. Abdesslem FB, Henderson T, Brostoff S, Sasse MA. Context-Based personalised settings for mobile location sharing. In: Proc. of the RecSys 2011 Workshop on PeMA 2011 [EB/OL]. [2015-07-13]. http://pema2011.cs.ucl.ac.uk/papers/pema2011_ benabdesslem.pdf

22. Lee SK, Cho YH, Kim SH. Collaborative filtering with ordinal scale-based implicit ratings for mobile music recommendations[J]. Information Sciences, 2010,180(11):2142-2155

23. Wang YX, Qiao XQ, Li XF, Meng LM. Research on context-awareness mobile sns service selection mechanism[J]. Chinese Journal of Computers, 2010, 33（11）：2126-2135

24. Goren-Bar D, Kuflik T. Off the beaten track: A mobile field study exploring the long tail of tourist recommendations. In: Proc. Of the Human-Computer Interaction with Mobile Devices and Services (MobileHCI 2010)[M]. New York: ACM Press, 2010：209-218

25. Herlocker JL, Konstan JA, Terveen LG, Riedl J. Evaluating collaborative filtering recommender systems. ACM Trans[J]. On Information Systems, 2004, 22（1）：5-53

26. Yang Y, Padmanabhan B. Evaluation of online personalization systems: A survey of evaluation schemes and knowledge-based approach[J]. Journal of Electronic Commerce Research, 2005, 6（2）：112-122

27. N. Hurley, M. Zhang. Novelty and diversity in top-N recommendation-analysis and evaluation[J]. ACM Transactions on Internet Technology 10 ， 2011：14

28. R. Hu, P. Pu. Enhancing recommendation diversity with organization interfaces, in: Proceedings of the 16th international conference on Intelligent user interfaces[M]. New York:ACM Press, 2011：347-350

29. 謝菲爾德大學(xué)和 OCLC獲得開發(fā)圖書館推薦系統(tǒng)的資助[J].現(xiàn)代圖書情報(bào)技術(shù)，2010, 197（9）：83

30. Lorcan Dempsey. Libraries and the long tail: Some thoughts about libraries in a network age [EB/OL]. [2010- 07-18]. http: / /www. dlib. org/dlib/april06/dempsey/04dempsey. html

31. Truong, K.Q., Ishikawa, F., Honiden, S.Improving Accuracy of Recommender System by Item Clustering, IEICE TRANSACTIONS on Information and Systems[Z]. E90-D-I, 2007

32. Goel S, Broder A, Gabrilovich E, Pang B. Anatomy of the long tail: Ordinary people with extraordinary tastes//Proceedings of the ACM international conference on Web search and Data Mining[C]. New York, USA, 2010：201-210

33. Donna F E. Location, location, location: Making foursquare work for your library[J]. Computers in Library, 2010（9）

34. Brow N A. 2013 social networking in libraries trends [EB/OL]. [2013-01-02]. http://socialnetworking librarian. com/2013/01/02/2013-socia-networking-in-libraries-trends/

35. Newman MEJ. The structure and function of complex networks[J]. SIAM Review, 2003, 45（2）：167-256

36. S. Y. Hwang, C. P.Wei, Y. F. Liao. Coauthorship networks and academic literature recommendation[J]. Electronic Commerce Research and Applications, 2010（9）：323-334

37. 高春玲. 解讀美國(guó)移動(dòng)圖書館發(fā)展的昨天、今天和明天[J].數(shù)字圖書館論壇, 2010（11）：25-32

38. Modsching M, Kramer R, Hagen KT, Gretzel U. Effectiveness of mobile recommender systems for tourist destinations: A user evaluation. In: Proc. of the Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications 2007[M]. Washington: IEEE Computer Society, 2007： 663-668

39. Miller BN, Albert I, Lam SK, Konstan JA, Riedl J. Movielens unplugged: Experiences with an occasionally connected recommender system. In: Proc. of the Intelligent User Interfaces (IUI) 2003[M]. New York: ACM Press, 2003：263-266

40. S. Scellato, A. Noulas, C. Mascolo, Exploiting Place Features in Link Prediction on Location-based Social Networks, in: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[M]. New York: ACM Press, 2011：1046-1054

41. R. Sinha, K. Swearingen, The role of transparency inrecommender systems, in: Proceedings of the CHI’06 Conference on Human Factors in Computing Systems[J]. New York: ACM Press, 2002：830-831

42. G. Linden, B. Smith, J. York, Amazon.com recommendations: item-to-item collaborative filtering[J]. IEEE Internet Computing 7，2003：76-80

43. 竇天芳， 姜愛蓉. 資源發(fā)現(xiàn)系統(tǒng)功能分析及應(yīng)用前景[J].圖書情報(bào)工作，2012（7）：38-43

The Development of the Recommender System and the Public Library Personalized Information Service

Ruan Guangce1Xia Lei2
( 1. East China Normal University;2.Shanghai Library )

Abstract〔〕This paper discusses the development of the recommender system, then summarizes the application of recommender system in libraries at home and abroad. At last, the author proposes some suggestions to put forward the personalized information service with the recommender system in order to provide the theory reference of digital service in public library.

Keywords〔〕Recommender systemDigital libraryPublic libraryPersonalized information service

〔作者簡(jiǎn)介〕阮光冊(cè)（1976-），男，博士研究生，華東師范大學(xué)商學(xué)院信息系副教授，碩士生導(dǎo)師，主要研究方向：信息分析，文本挖掘；夏磊（1978-），女，碩士研究生，上海圖書館副研究館員，主要研究方向：公共圖書館服務(wù)。