基于用戶畫像的圖書推薦系統(tǒng)設(shè)計(jì)與研究

摘要：在大數(shù)據(jù)背景下，從傳統(tǒng)圖書館到智慧圖書館，圖書資源呈指數(shù)級(jí)增長(zhǎng)。隨著館藏圖書資源的增加，讀者在選取圖書時(shí)愈發(fā)凸顯出“選擇困難癥”的問題，找不到需要的圖書資源。圖書館只有更了解讀者，才不至于讓海量的圖書資源長(zhǎng)期只存儲(chǔ)在設(shè)備中休眠。文章設(shè)計(jì)的圖書推薦系統(tǒng)是基于用戶畫像的個(gè)性化推薦系統(tǒng)，是在協(xié)同過濾等算法的基礎(chǔ)上，結(jié)合用戶的畫像信息，來更精準(zhǔn)地推薦書籍和提供服務(wù)。該系統(tǒng)通過收集用戶靜態(tài)數(shù)據(jù)，挖掘用戶的動(dòng)態(tài)數(shù)據(jù)，分析用戶行為，進(jìn)而實(shí)現(xiàn)圖書精確推薦，提高圖書資源的利用率。

關(guān)鍵詞：智慧圖書館；用戶畫像；個(gè)性化；推薦系統(tǒng)

中圖分類號(hào)：TP311.56

文獻(xiàn)標(biāo)志碼：A

0 引言

隨著數(shù)字化技術(shù)的發(fā)展，圖書的數(shù)量和種類呈現(xiàn)指數(shù)級(jí)增長(zhǎng)，這使得用戶在選擇圖書時(shí)面臨巨大的挑戰(zhàn)。用戶往往難以從海量的圖書資源中找到真正符合自己興趣和需求的圖書，因此，傳統(tǒng)紙質(zhì)圖書館逐漸朝圖書數(shù)字化轉(zhuǎn)變。智慧圖書館通過結(jié)合信息技術(shù)、人工智能和大數(shù)據(jù)分析等先進(jìn)技術(shù)，為圖書館的圖書管理提供了新的機(jī)遇和方向。數(shù)字化圖書館的建設(shè)為圖書館的資源共享和讀者服務(wù)提供了更便捷的方式。更重要的是，智慧圖書館通過獲取讀者的基本信息、搜索信息以及圖書館系統(tǒng)個(gè)人日志等，預(yù)測(cè)用戶行為，為用戶推薦所需的圖書資源，大大減少了用戶查找圖書消耗的時(shí)間，營(yíng)造了更加便捷的圖書借閱體驗(yàn)。

1 智能圖書館發(fā)展現(xiàn)狀

1.1 智能圖書館現(xiàn)狀

國(guó)內(nèi)智慧圖書館的建設(shè)進(jìn)程在逐步加快。例如移動(dòng)智慧借閱服務(wù)，上海圖書館推出了支付寶圖書館城市服務(wù)微站，深圳圖書館創(chuàng)新了“微信”“支付寶”等移動(dòng)社交平臺(tái)的“圖書館之城”移動(dòng)服務(wù)。智慧圖書館將圖書館服務(wù)鏈接到各類App、小程序、公眾號(hào)中，如支付寶、微信錢包的城市服務(wù)^［1］。讀者可通過相關(guān)軟件進(jìn)行書籍借閱，還可以一鍵續(xù)借、查詢所借館藏，通過線上操作就可實(shí)現(xiàn)查書、借書、續(xù)借、還書的完整程序。

1.2 智慧圖書館存在的問題

1.2.1 用戶畫像構(gòu)建不全面

大部分圖書館僅僅根據(jù)書籍進(jìn)行檢索，少部分是基于用戶的基礎(chǔ)個(gè)人信息以及搜索記錄來優(yōu)化和改進(jìn)推薦算法，從而忽略了用戶畫像，導(dǎo)致推薦準(zhǔn)確率不高。

1.2.2 用戶需求不明確

在圖書館，讀者往往只借閱圖書，很少有反饋信息的，并且許多讀者不太積極表露出自身的需求。這造成了圖書館無法精準(zhǔn)定位讀者的真實(shí)需求，也影響了個(gè)性化服務(wù)的發(fā)展進(jìn)程。為此，圖書館可以從讀者的動(dòng)態(tài)數(shù)據(jù)中挖掘分析，獲取用戶潛在需求。

2 智能化圖書館書籍推薦發(fā)展探討

2.1 更全面構(gòu)建讀者用戶畫像

首先，根據(jù)高校這一特殊場(chǎng)景，圖書館記錄了學(xué)生的基礎(chǔ)信息，聯(lián)合調(diào)取其他部門信息（如各個(gè)專業(yè)教材、培養(yǎng)方案等信息）以獲取用戶基礎(chǔ)信息。其次，提取讀者借閱時(shí)長(zhǎng)、借閱頻次、借閱種類等特征信息。最后，指引用戶根據(jù)自身需求，在描述欄輸入需要解決的問題內(nèi)容或書籍相關(guān)信息等，通過提取關(guān)鍵字等技術(shù)，分析用戶興趣。

2.2 逐步完善多角度推薦算法

推薦系統(tǒng)從用戶的動(dòng)靜態(tài)數(shù)據(jù)中分析用戶可能感興趣的圖書，也可以根據(jù)用戶目前借閱的圖書，推送相近的圖書資源。推薦方式可以通過用戶推薦，也可以通過書籍推薦。

2.3 讀者書籍需求不明確情況探討

為了滿足讀者的信息獲取需求，圖書館應(yīng)優(yōu)化其信息檢索系統(tǒng)，引入先進(jìn)的搜索引擎技術(shù)，提供智能化的檢索建議和相關(guān)推薦，為讀者提供更精準(zhǔn)、更全面的搜索方式。

3 相關(guān)技術(shù)介紹

3.1 用戶畫像

用戶畫像（Persona）最早由交互之父AlanCooper于1998年提出，他表示用戶畫像是基于用戶真實(shí)數(shù)據(jù)的虛擬代表^［2］。用戶畫像采用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等技術(shù)，通過對(duì)用戶數(shù)據(jù)的分析和建模，得出用戶的特征標(biāo)簽，從而將用戶進(jìn)行分類。用戶畫像最初是在電商領(lǐng)域得到應(yīng)用，在大數(shù)據(jù)時(shí)代背景下，用戶信息充斥在網(wǎng)絡(luò)中，將用戶的每個(gè)具體信息抽象成標(biāo)簽，利用這些標(biāo)簽將用戶形象具體化，從而為用戶提供有針對(duì)性的服務(wù)^［3］。通過分析用戶的閱讀行為、興趣愛好等信息，圖書館可以更準(zhǔn)確地為用戶推薦合適的書籍。

用戶畫像能夠幫助管理方認(rèn)知用戶。在認(rèn)識(shí)用戶群體的基礎(chǔ)上，可以基于用戶的身份特征和行為特征，了解用戶的需求和消費(fèi)場(chǎng)景，從而幫助管理方更好地制定產(chǎn)品策略，實(shí)現(xiàn)用戶增長(zhǎng)和提升用戶體驗(yàn)。

3.2 基于用戶的協(xié)同過濾（User-based CF）

基于用戶的協(xié)同過濾方法的原理是先“找到相似用戶”，再“找到他們喜歡的物品”。簡(jiǎn)單而言，基于用戶的協(xié)同過濾，就是給用戶推薦“和他興趣相似的其他用戶”喜歡的物品^［4］。這種方法通過尋找與目標(biāo)用戶有相似行為的其他用戶來進(jìn)行推薦，具體步驟如下。

（1）相似度計(jì)算：計(jì)算目標(biāo)用戶與其他用戶的相似程度。常用的相似度計(jì)算方法包括余弦相似度、皮爾遜相關(guān)系數(shù)等。

（2）鄰居選擇：根據(jù)相似度，選擇一定數(shù)量的與目標(biāo)用戶最相似的用戶作為鄰居^［5］。

（3）預(yù)測(cè)評(píng)分：對(duì)于目標(biāo)用戶未評(píng)分的物品，通過鄰居用戶的評(píng)分進(jìn)行加權(quán)平均來預(yù)測(cè)目標(biāo)用戶的評(píng)分^［6］。

（4）生成推薦：推薦那些預(yù)測(cè)評(píng)分較高的物品。

3.3 基于物品的協(xié)同過濾（Item-based CF）

與基于用戶的協(xié)同過濾不同，基于物品的協(xié)同過濾方法通過尋找目標(biāo)用戶喜歡的物品與哪些物品相似來進(jìn)行推薦，具體步驟如下。

（1）相似度計(jì)算：計(jì)算所有物品之間的相似度。通常2個(gè)物品的相似度是通過它們的屬性等特征以及用戶對(duì)其評(píng)分來計(jì)算的。

（2）推薦物品：對(duì)于目標(biāo)用戶已經(jīng)評(píng)分的物品，找出與這些物品相似的其他物品并推薦給用戶。

3.4 基于內(nèi)容的推薦算法

基于內(nèi)容的推薦算法是一種根據(jù)用戶過去喜歡的物品，為用戶推薦與其過去喜歡的物品相似的物品的方法^［7］。這種算法的核心是通過用戶的歷史行為來學(xué)習(xí)用戶的偏好，從而刻畫出用戶畫像并通過相似性度量找出與用戶偏好最接近的N個(gè)物品^［8］。

4 推薦系統(tǒng)設(shè)計(jì)

4.1 總體設(shè)計(jì)

圖書推薦系統(tǒng)總體設(shè)計(jì)如圖1所示。首先，收集用戶信息和書籍信息；其次，提取用戶和內(nèi)容的特征構(gòu)建用戶畫像模型等；再次，依據(jù)用戶數(shù)據(jù)和內(nèi)容數(shù)據(jù)，利用各種推薦算法生成個(gè)性化推薦結(jié)果；最后，對(duì)推薦結(jié)果進(jìn)行排序得出最終推薦列表并收集用戶反饋和行為數(shù)據(jù)，根據(jù)用戶的反饋和偏好調(diào)整推薦結(jié)果，實(shí)現(xiàn)個(gè)性化的推薦服務(wù)。

4.2 數(shù)據(jù)層

（1）用戶數(shù)據(jù)收集。收集用戶的基本數(shù)據(jù)、行為數(shù)據(jù)、偏好和社交關(guān)系等信息，建立構(gòu)建用戶畫像的基礎(chǔ)。

（2）書籍信息收集。包括書籍的作者、出版社、出版日期、書籍類別等信息。

（3）內(nèi)容數(shù)據(jù)索引。使用搜索引擎建立內(nèi)容數(shù)據(jù)的索引，支持快速地檢索和查詢。

4.3 模型層

用戶畫像的構(gòu)建。人口屬性：基礎(chǔ)信息（年齡、性別、學(xué)歷等）和附加屬性。社交屬性：用戶的通訊錄、朋友圈好友等，發(fā)現(xiàn)用戶所處的圈層以及具體的社會(huì)影響力等。行為特征：用戶在使用產(chǎn)品的過程中，通過自身的各種行為累積出的用戶信息。如點(diǎn)擊、分享、收藏、評(píng)論等數(shù)據(jù)以及與用戶活躍度、忠誠(chéng)度有關(guān)的指標(biāo)等。

4.4 推薦算法層

4.4.1 基于用戶畫像的個(gè)性化推薦算法

首先要了解的是協(xié)同過濾算法和內(nèi)容推薦算法。協(xié)同過濾算法是根據(jù)用戶歷史行為數(shù)據(jù)，如購(gòu)買記錄、點(diǎn)擊記錄等，尋找其他與之相似的用戶喜好，然后推薦相似用戶感興趣的物品。內(nèi)容推薦算法則是根據(jù)用戶對(duì)某一特定主題或關(guān)鍵詞的偏好，將相應(yīng)的物品推薦給用戶。但是這些算法都有局限性，協(xié)同過濾算法需要有足夠多的相似用戶才能準(zhǔn)確推薦，而內(nèi)容推薦算法則須要給出用戶的興趣范圍?；谟脩舢嬒竦膫€(gè)性化推薦算法是在協(xié)同過濾和內(nèi)容推薦算法的基礎(chǔ)上，結(jié)合用戶的畫像信息以及多種推薦算法和模型，更精準(zhǔn)地推薦物品和服務(wù)，實(shí)現(xiàn)多樣化的推薦策略。

4.4.2 召回及排序

使用相對(duì)簡(jiǎn)單高效的召回算法從海量候選集中召回用戶可能感興趣的對(duì)象，第一次縮小范圍；利用排序模型對(duì)初篩的候選集進(jìn)行精排序^［9］；再排序，對(duì)于排序?qū)拥慕Y(jié)果，綜合額外的因素，補(bǔ)充算法進(jìn)行進(jìn)一步的篩選和排序。

4.5 應(yīng)用層

實(shí)時(shí)處理用戶行為和內(nèi)容變化，提供實(shí)時(shí)的個(gè)性化推薦服務(wù)。結(jié)合推薦算法、召回排序和評(píng)分等，產(chǎn)生最后推薦列表，推薦給用戶。同時(shí)，系統(tǒng)可設(shè)置熱門圖書列表欄，供用戶了解圖書館近期熱門借閱的書籍，提供借閱參考。讀者也可對(duì)推薦書籍進(jìn)行打分或選擇喜歡、不喜歡等，對(duì)推薦內(nèi)容進(jìn)行評(píng)價(jià)，以便優(yōu)化系統(tǒng)推薦內(nèi)容。

4.6 邏輯框架

圖書推薦系統(tǒng)邏輯結(jié)構(gòu)如圖2所示。

在獲知用戶動(dòng)靜態(tài)數(shù)據(jù)、書籍?dāng)?shù)據(jù)及其他數(shù)據(jù)的基礎(chǔ)上，推薦系統(tǒng)要處理的問題可以較形式化地定義為：對(duì)于用戶 U （user），針對(duì)海量的書籍信息，構(gòu)建一個(gè)函數(shù) f（U，B） ，預(yù)測(cè)用戶對(duì)特定候選書籍 B （book） 的喜好程度^［10］，再根據(jù)喜好程度對(duì)所有候選物品進(jìn)行排序，生成書籍推薦列表的問題。

5 相似度計(jì)算原理

5.1 皮爾遜相關(guān)系數(shù)

皮爾遜相關(guān)系數(shù)通常表示為r ，此法適用于判斷2列連續(xù)型數(shù)據(jù)（雙變量正態(tài)）之間的相關(guān)性。它的值介于-1與1之間，從而判斷2個(gè)變量的線性關(guān)系強(qiáng)弱。

5.2 余弦相似性

余弦相似度是一種衡量2個(gè)向量在向量空間中夾角大小的方法。在二維空間中，可以將向量看作是從原點(diǎn)出發(fā)的箭頭，而余弦相似度就是這2個(gè)箭頭夾角的余弦值。這個(gè)值介于-1和1之間，值越大表示2個(gè)向量越相似，值越小表示2個(gè)向量越不相似。在推薦系統(tǒng)中，可以通過計(jì)算用戶向量和物品向量的余弦相似度來找出用戶可能感興趣的物品。

5.3 實(shí)驗(yàn)案例

計(jì)算用戶A對(duì)圖書甲的興趣度：

假設(shè)系統(tǒng)里有A、B、C、D、E 5個(gè)用戶，經(jīng)過用戶畫像匹配和相似度計(jì)算后，得出用戶A與其他4個(gè)用戶的相似度分別為0.8、0.9、0.7、0.3，數(shù)值越大表示用戶越相似。

圖書甲是相似用戶們看過的，有歷史數(shù)據(jù)存在，可以根據(jù)點(diǎn)擊、收藏、評(píng)論等計(jì)算得出興趣度分別為0、2、1、3，興趣值越大表示對(duì)圖書甲越感興趣，0表示用戶沒有看過物品或者對(duì)物品不感興趣。根據(jù)B、C、D、E對(duì)圖書甲的興趣度，得出用戶A對(duì)圖書甲的預(yù)估興趣值。

6 改進(jìn)優(yōu)化

6.1 增量學(xué)習(xí)

使用增量學(xué)習(xí)為讀者提供個(gè)性化內(nèi)容。此功能使用增量學(xué)習(xí)來了解用戶隨時(shí)間的閱讀習(xí)慣和偏好。當(dāng)用戶閱讀更多關(guān)于某些主題或來自特定出版商的圖書時(shí)，系統(tǒng)的機(jī)器學(xué)習(xí)模型會(huì)更新以反映這些偏好。隨著時(shí)間的推移，智能圖書推薦系統(tǒng)需要不斷學(xué)習(xí)和更新推薦模型，以適應(yīng)用戶興趣的變化。通過增量學(xué)習(xí)的方式，可以根據(jù)用戶最新的行為數(shù)據(jù)實(shí)時(shí)更新模型參數(shù)，提高推薦的準(zhǔn)確性和實(shí)時(shí)性，從而提供高度個(gè)性化的閱讀體驗(yàn)^［11］。

6.2 多樣性推薦

通過推薦多樣性更高的內(nèi)容，既能夠給用戶更多的機(jī)會(huì)去發(fā)現(xiàn)新內(nèi)容，又能夠讓推薦系統(tǒng)更容易發(fā)現(xiàn)用戶潛在的興趣^［12］。在推薦過程中，系統(tǒng)應(yīng)該注重推薦多樣化的圖書，以滿足用戶潛在需求。一個(gè)簡(jiǎn)單的策略是在推薦列表中加入不同類型、作者或主題的圖書，提供給用戶更為豐富的選擇。對(duì)于用戶明確表達(dá)出興趣的標(biāo)簽以較大的概率曝光，而對(duì)于用戶沒有行為數(shù)據(jù)的標(biāo)簽也以一定的概率曝光。

6.3 評(píng)估與反饋

在推薦系統(tǒng)中，內(nèi)容質(zhì)量評(píng)估主要通過2種方法進(jìn)行：一種是用戶反饋，另一種是自動(dòng)評(píng)估。用戶反饋通常包括點(diǎn)擊、借閱、收藏等行為，這些行為可以用來衡量推薦結(jié)果的質(zhì)量。自動(dòng)評(píng)估則通過對(duì)推薦結(jié)果進(jìn)行排序、篩選等操作，得到一個(gè)數(shù)值評(píng)分，用于評(píng)估推薦系統(tǒng)的性能。根據(jù)評(píng)估結(jié)果，可以針對(duì)性地改進(jìn)和優(yōu)化系統(tǒng)，提高推薦系統(tǒng)的性能。

7 結(jié)語(yǔ)

通過分析用戶的歷史行為數(shù)據(jù)和用戶間的相似度關(guān)系，圖書館能夠提高推薦系統(tǒng)的準(zhǔn)確性和個(gè)性化程度，提升用戶的使用體驗(yàn)和滿意度，推動(dòng)圖書館數(shù)字化發(fā)展。智慧圖書館推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)不僅可以提供個(gè)性化的服務(wù)，還可以幫助圖書館更好地了解用戶需求，提高圖書的利用率和借閱率。未來，隨著數(shù)據(jù)收集和推薦算法的不斷優(yōu)化，智慧圖書館推薦系統(tǒng)有望進(jìn)一步借助大數(shù)據(jù)和深度學(xué)習(xí)等技術(shù)，推薦系統(tǒng)的技術(shù)也會(huì)不斷進(jìn)步和優(yōu)化，提供更加精準(zhǔn)和智能的推薦服務(wù)，更好地滿足用戶需求。

參考文獻(xiàn)

［1］王嬌.5G時(shí)代智慧圖書館服務(wù)創(chuàng)新研究［J］.圖書館學(xué)刊，2022（1）：59-62.

［2］馮太琴.高校圖書館精準(zhǔn)服務(wù)助教師高質(zhì)量發(fā)展［J］.文化產(chǎn)業(yè)，2023（23）：150-153.

［3］劉佳.基于GIS的卷煙營(yíng)銷數(shù)據(jù)畫像分析與研究［J］.中國(guó)市場(chǎng)，2021（34）：140-142.

［4］王文.非典型序列推薦若干問題研究［D］.上海：華東師范大學(xué)，2021.

［5］潘濤濤.基于協(xié)同過濾的推薦算法研究［D］.鄭州：解放軍信息工程大學(xué)，2017.

［6］周歡.融合時(shí)間信息的音樂推薦系統(tǒng)研究［D］.太原：太原師范學(xué)院，2023.

［7］蘇湛，陳學(xué)謙，艾均，等.基于用戶相似性選擇及標(biāo)簽距離的推薦算法［J］.應(yīng)用科學(xué)學(xué)報(bào)，2023（6）：940-957.

［8］萬雯赟.基于評(píng)論文本的深度推薦系統(tǒng)［D］.廈門：廈門大學(xué)，2021.

［9］司亮.智慧教育資訊平臺(tái)中的個(gè)性化推薦系統(tǒng)設(shè)計(jì)研究［D］.石家莊：河北科技大學(xué)，2020.

［10］陳倩.基于知識(shí)圖譜的影視推薦算法［D］.武漢：華中科技大學(xué)，2022.

［11］劉鑫.協(xié)同過濾技術(shù)在智能推薦系統(tǒng)中的應(yīng)用［J］.集成電路應(yīng)用，2024（4）：118-119.

［12］張思洋.復(fù)雜網(wǎng)絡(luò)中信息融合與傳播關(guān)鍵技術(shù)研究［D］.北京：北京郵電大學(xué)，2022.

（編輯 沈 強(qiáng)）

Design and research of book recommendation system based on user profile

ZOU Zihui^1，2， HU Shengli¹， LYU Fei²

（1.Anhui University of Science and Technology， Huainan 232001， China;

2.Hefei Technology College， Hefei 230012， China）

Abstract：In the context of big data， book resources are growing exponentially from traditional libraries to smart libraries. With the increase of library resources， readers are increasingly facing the problem of “selection difficulties” when selecting books， and are unable to find the necessary book resources. Only by gaining a better understanding of readers can libraries prevent massive book resources from being stored in devices for a long time. The book recommendation system designed in the article is a personalized recommendation system based on user profiles. It combines collaborative filtering and other algorithms with user profile information to more accurately recommend books and provide services. This system collects static user data， mines dynamic user data， analyzes user behavior， and achieves precise book recommendation， improving the utilization rate of book resources.

Key words：smart library; user profile; personalization; recommendation system