王茜?喻繼軍

摘 要 論文根據(jù)專業(yè)課程信息及圖書館中的圖書信息，采用主題詞分析方法計算專業(yè)之間的交叉系數(shù)，在關(guān)聯(lián)規(guī)則算法的基礎(chǔ)上，綜合考慮讀者的專業(yè)背景及借閱記錄中圖書之間的關(guān)聯(lián)關(guān)系，提出一種既滿足讀者對交叉學(xué)科知識的需要、又滿足對圖書多樣性需求的參數(shù)化智慧圖書推薦方法。

關(guān)鍵詞 交叉學(xué)科 圖書推薦 智慧圖書館

分類號 G256

DOI 10.16810/j.cnki.1672-514X.2019.03.015

0 引言

隨著云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)等技術(shù)的迅猛發(fā)展，基于互聯(lián)網(wǎng)的各種應(yīng)用層出不窮，引發(fā)數(shù)據(jù)規(guī)模的爆炸式增長，大數(shù)據(jù)給社會帶來變革性發(fā)展的同時，也帶來巨大的“信息過載”問題[1-3]。推薦系統(tǒng)作為解決大數(shù)據(jù)時代信息過載的有效方法，已廣泛應(yīng)用于電子商務(wù)、社交網(wǎng)絡(luò)、信息檢索、圖書推薦等各個領(lǐng)域。在圖書館管理領(lǐng)域，高校圖書館系統(tǒng)也面臨著海量信息資源的新挑戰(zhàn)，隨著書目數(shù)量的與日俱增以及圖書內(nèi)容的日新月異，讀者越來越難以從圖書資源中快速獲取所需的信息。如何引導(dǎo)讀者從海量的信息中找到滿足知識需求的信息，為讀者提供個性化的主動服務(wù)已成為高校圖書館發(fā)展過程中需要解決的重要課題。目前，在圖書館圖書的個性化推薦領(lǐng)域，常用的推薦方法主要可分為四類：基于關(guān)聯(lián)規(guī)則的推薦方法;基于內(nèi)容的推薦方法;基于協(xié)同過濾的推薦方法;融合其它領(lǐng)域知識的推薦方法。在圖書館借閱服務(wù)中，讀者往往不會對借閱圖書進(jìn)行評分，讀者與圖書館之間的互動反饋較為匱乏，其他領(lǐng)域中的推薦方法難以在圖書推薦中加以應(yīng)用。因此，現(xiàn)有推薦方法多以讀者的借閱記錄作為數(shù)據(jù)集，關(guān)聯(lián)規(guī)則成為圖書個性化推薦模型的主要方法。但是，在交叉學(xué)科發(fā)展的背景下，現(xiàn)有基于關(guān)聯(lián)規(guī)則的推薦方法存在以下問題。

一是推薦方法中沒有考慮交叉學(xué)科的特點。學(xué)科是對人類知識體系的劃分。由于自然界、人類社會和個體本身具有整體性，許多問題的解決都需要綜合運(yùn)用多種學(xué)科知識來實現(xiàn)，例如高鐵、飛機(jī)制造、環(huán)境治理等問題都涉及多個學(xué)科知識領(lǐng)域。近代科學(xué)中的重大發(fā)現(xiàn)和重要問題的解決，常常依賴于多個學(xué)科的知識交流和相互滲透。因此，近年來，交叉科學(xué)的研究與發(fā)展越來越成為研究的熱點。在新時代背景下，《國家中長期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要（2006—2020年）》 也指出：“加強(qiáng)基礎(chǔ)科學(xué)和前沿技術(shù)研究，特別是交叉學(xué)科的研究”[4]。高校各交叉學(xué)科的發(fā)展，離不開在校學(xué)生對交叉專業(yè)知識的學(xué)習(xí)和掌握。圖書館作為學(xué)生自我學(xué)習(xí)和掌握新知識的主要服務(wù)場所，在培養(yǎng)學(xué)生掌握融合知識能力的過程中起著至關(guān)重要的作用[5-6]。因此，根據(jù)學(xué)生的專業(yè)背景，為學(xué)生準(zhǔn)確地進(jìn)行基于交叉學(xué)科的圖書推薦，對于新時代背景下提高圖書館個性化服務(wù)水平有著重要的意義。

二是推薦方法中沒有考慮圖書推薦的多樣性。多樣性的推薦方法最早在檢索領(lǐng)域被提出[7]，其目的是為了避免推薦結(jié)果的同質(zhì)化問題，即推薦結(jié)果種類過于相似或向不同用戶推薦同一種類項目[8]。在圖書推薦領(lǐng)域，為滿足讀者廣泛的興趣愛好，同樣需要提供多樣性的圖書推薦。高校在培養(yǎng)學(xué)生專業(yè)知識的同時，提高學(xué)生閱讀的廣泛性，既是培養(yǎng)學(xué)生興趣的需要，也是促進(jìn)交叉學(xué)科知識融合的需要。因此，提高圖書推薦結(jié)果的準(zhǔn)確率和多樣性是交叉學(xué)科發(fā)展背景下提高圖書館個性化服務(wù)需要實現(xiàn)的重要功能。

基于此，本研究以圖書信息和學(xué)生的專業(yè)背景為基礎(chǔ)，對學(xué)生所選專業(yè)的課程信息采用主題詞分析方法計算專業(yè)之間的交叉系數(shù)，同時根據(jù)圖書信息建立分類模型，提出一種考慮交叉學(xué)科特點的智慧圖書推薦方法，以滿足學(xué)生對交叉專業(yè)知識的需要，同時滿足對圖書多樣性的需要，從而為圖書館個性化服務(wù)提供參考。

1 相關(guān)研究評述

近年來，隨著高校圖書館不斷進(jìn)行數(shù)字資源的信息化建設(shè)，積累了大量的圖書信息和讀者借閱記錄，其中蘊(yùn)含的大數(shù)據(jù)已成為一種重要的信息資源，引起了國內(nèi)外學(xué)者的關(guān)注。現(xiàn)有圖書館個性化服務(wù)的研究即是基于大數(shù)據(jù)分析而來，其主要集中在三個方面：個性化推薦方法的研究;讀者需求及行為研究;圖書館管理相關(guān)研究。

推薦系統(tǒng)作為大數(shù)據(jù)時代解決信息過載的有效工具，其技術(shù)核心是推薦方法?，F(xiàn)有的個性化推薦技術(shù)主要包括：基于協(xié)同過濾的推薦、基于社交網(wǎng)絡(luò)的推薦、基于矩陣分析的推薦、基于情境感知的推薦、基于深度學(xué)習(xí)的推薦及融合各種數(shù)據(jù)源的混合推薦等。其中，在個性化推薦方法領(lǐng)域，孫彥超等學(xué)者運(yùn)用協(xié)同過濾算法解決圖書推薦問題[9-10];國外學(xué)者Wei等人采用模糊數(shù)學(xué)算法降低圖書索引維度，通過對矩陣采取降維的方法以提高推薦結(jié)果的準(zhǔn)確率[11];柳益君等學(xué)者分析了高校圖書館大數(shù)據(jù)發(fā)展的狀況，提出大規(guī)模網(wǎng)絡(luò)分析方法在圖書館中的應(yīng)用模式[12];王順箐學(xué)者提出一種基于用戶畫像的個性化推薦框架[13];楊利軍等研究了圖書館個性化服務(wù)中的大數(shù)據(jù)可視化問題，幫助讀者更好地理解數(shù)據(jù)[14];馬仲兵教授通過加權(quán)方式改善關(guān)聯(lián)規(guī)則的推薦模式，為讀者提供更加人性化的圖書推薦[15];袁虎聲等學(xué)者根據(jù)熱量傳播理論提出基于加權(quán)網(wǎng)絡(luò)的圖書推薦[16];彭博教授通過挖掘讀者屬性進(jìn)行關(guān)聯(lián)規(guī)則的推薦[17];唐曉波等學(xué)者運(yùn)用基因組原理對圖書進(jìn)行推薦研究[18];藍(lán)冬梅等學(xué)者通過收集當(dāng)當(dāng)網(wǎng)電子商務(wù)用戶的評分?jǐn)?shù)據(jù)，將評分信息與高校圖書館信息進(jìn)行結(jié)合，根據(jù)二部圖原理進(jìn)行網(wǎng)絡(luò)圖書推薦[19]等。

近年來，隨著社會進(jìn)入“交叉學(xué)科時代”，高校的自主創(chuàng)新能力及學(xué)科間的交叉融合已成為高校新的增長點及提升核心競爭力的重要體現(xiàn)[20]。交叉學(xué)科知識創(chuàng)新的過程，往往伴隨著多個相關(guān)學(xué)科的知識融合，而在圖書館的圖書中就存在著大量的知識組合關(guān)系。作為學(xué)生獲取融合知識的主要場所，個性化圖書館服務(wù)在交叉學(xué)科發(fā)展中也扮演著越來越重要的角色。Kaemmerer等人研究了醫(yī)學(xué)康復(fù)領(lǐng)域基于交叉醫(yī)學(xué)知識的推薦[21];鄭文濤等人研究了雙一流背景下交叉學(xué)科發(fā)展的重要性[22-23]，商憲麗教授針對圖書館知識的交叉主題進(jìn)行了研究[24]，邵瑞華等學(xué)者采用文獻(xiàn)計量學(xué)方法研究了學(xué)科交叉程度與文獻(xiàn)學(xué)術(shù)影響力的關(guān)系[25]，張洪磊等學(xué)者從復(fù)雜網(wǎng)絡(luò)的角度，采用社會網(wǎng)絡(luò)分析方法和UCINET工具對近年來發(fā)表的文獻(xiàn)進(jìn)行交叉學(xué)科知識發(fā)現(xiàn)的研究[26]，魏建香等學(xué)者研究了交叉學(xué)科的知識可視化問題[27]。

綜上所述，現(xiàn)有基于圖書的個性化推薦服務(wù)主要以提高推薦結(jié)果的準(zhǔn)確率為目標(biāo)，而交叉學(xué)科的研究多集中于學(xué)科建設(shè)和人才培養(yǎng)模式或者交叉學(xué)科之間的知識發(fā)現(xiàn)等問題，基于交叉學(xué)科的圖書推薦研究相對較少。本文基于專業(yè)課程的主題詞分析，并結(jié)合學(xué)生的歷史借閱記錄，提出一種考慮交叉學(xué)科特點的圖書推薦方法。

2 智慧圖書推薦方法

2.1 總體構(gòu)想

首先，對專業(yè)課程信息進(jìn)行主題詞分析，基于主題詞建立交叉學(xué)科的主題詞矩陣，并計算專業(yè)之間的交叉系數(shù)。然后，根據(jù)圖書信息構(gòu)建圖書分層模型。接著，根據(jù)讀者歷史借閱記錄、讀者所在專業(yè)的交叉系數(shù)以及圖書在分層模型中的距離，采用參數(shù)化方法綜合計算圖書之間的關(guān)聯(lián)度。最后，采用關(guān)聯(lián)規(guī)則算法根據(jù)關(guān)聯(lián)度大小進(jìn)行排序，選取符合條件的圖書對讀者進(jìn)行推薦，其實施框架如圖1所示。

其中Q（SWi）表示種子詞SWi的權(quán)重，p（wij）表示種子詞SWi的第j個元素的概率分布。

按照上述方法，即可獲得給定文本中最重要且相互獨(dú)立的用種子詞表示的詞類，這些種子詞稱為該文本的主題因子，將這些主題因子按權(quán)重降序排列輸出，就得到文本的主題。在獲得各專業(yè)主題之后，即可建立主題類別矩陣，并按公式（1） 計算主題詞的共現(xiàn)頻率和余弦測度，從而計算出各專業(yè)之間的交叉系數(shù)。

2.2.2 根據(jù)圖書信息構(gòu)建分類層次模型

關(guān)聯(lián)規(guī)則反映一個事物與其他事物之間的相互依存性和關(guān)聯(lián)性，如果兩個或者多個事物之間存在一定的關(guān)聯(lián)關(guān)系，那么，其中一個事物就能夠通過其他事物進(jìn)行預(yù)測。傳統(tǒng)的關(guān)聯(lián)規(guī)則隨著圖書種類數(shù)量的增加，獲取的難度也隨之增加。本研究通過分層模型將具體圖書按其所屬的類別進(jìn)行抽象，即可構(gòu)造出一顆分類樹，樹中的葉子節(jié)點為具體的圖書名稱，父節(jié)點是下一級圖書所屬的大類。在挖掘的過程中，可運(yùn)用中間節(jié)點進(jìn)行多層關(guān)聯(lián)規(guī)則挖掘。

獲取整體關(guān)聯(lián)度之后，即可根據(jù)讀者的歷史借閱記錄采用關(guān)聯(lián)規(guī)則算法進(jìn)行挖掘，選擇符合條件的頻繁項并按關(guān)聯(lián)度大小排序，選取前若干個結(jié)果向讀者推薦。目前，關(guān)聯(lián)規(guī)則算法主要有：Apriori，DHP，Tree Projection，F(xiàn)P-tree等。由于FP-Tree算法比其他算法具有更高效的時間復(fù)雜度優(yōu)勢[41]，本文采用 FP-Tree算法進(jìn)行挖掘，算法如下。

輸入：讀者歷史借閱記錄數(shù)據(jù)庫D，設(shè)置最小支持度閾值。

輸出：頻繁模式的完全集;按以下步驟構(gòu)造 FP-Tree。

步驟1：掃描借閱記錄數(shù)據(jù)庫D，計算支持度并建立頻繁項集合。

步驟2：繼續(xù)掃描數(shù)據(jù)，刪除支持度低于閾值的項，并按照支持度降序排列，建立頻繁項集L。

步驟3：構(gòu)建 FP樹。對D中的每個事務(wù) T執(zhí)行以下操作：選擇 T中的頻繁項，并按 L中次序排序。設(shè)排序后頻繁項集為[x，L-x]，其中x是第一個元素，L-x是剩余元素的表。按以下方式生成FP樹，記為Insert-Tree（[x，L-x]，T）。該過程執(zhí)行如下： 如果T事務(wù)中有子節(jié)點N，使得N節(jié)點的項目為X項目，則 N計數(shù)增加1;否則創(chuàng)建一個新節(jié)點N鏈接到它的父節(jié)點T， 并通過節(jié)點鏈?zhǔn)浇Y(jié)構(gòu)將其鏈接到具有相同書目名稱的節(jié)點;如果L-x非空，遞歸地調(diào)用Insert-Tree（[x，L-x]，T）。直到所有的數(shù)據(jù)都插入到FP樹后，F(xiàn)P樹的建立完成。

步驟4：從FP樹查找條件模式基。從條件模式基遞歸挖掘頻繁項集，并計算置信度。

步驟5：設(shè)置最小置信度，采用交叉驗證方法獲取α，β，γ，選擇符合置信度閾值的頻繁項，并根據(jù)支持度和置信度按公式（8） 計算整體關(guān)聯(lián)度，按關(guān)聯(lián)度大小按降序排序選擇前N個關(guān)聯(lián)規(guī)則，針對讀者按該關(guān)聯(lián)規(guī)則推薦。

3 實驗分析

3.1 樣本選取和預(yù)處理

本研究以某高校圖書館為例，收集學(xué)生的借閱記錄，該校每個學(xué)期末均會發(fā)放給學(xué)生一份該學(xué)期的借閱記錄報告明細(xì)，包括學(xué)生專業(yè)、學(xué)號、書籍類型、書籍名稱、借書數(shù)目、借閱日期、該學(xué)生在全校借書數(shù)量排名等信息。本研究招募人員連續(xù)三周在圖書館獲取學(xué)生借閱數(shù)據(jù)近萬條，覆蓋文學(xué)、理學(xué)、工學(xué)、法學(xué)、管理學(xué)、經(jīng)濟(jì)學(xué)等學(xué)科的82個專業(yè)，學(xué)生借閱記錄日期為2017-08-01到2018-02-01整整一個學(xué)期。將獲取的報告數(shù)據(jù)通過SQL Server導(dǎo)入數(shù)據(jù)庫并進(jìn)行數(shù)據(jù)清洗工作，本次實驗使用R語言的Svlm（）函數(shù)處理并通過10-fold交叉驗證，每次隨機(jī)選取時間段內(nèi)的500個學(xué)生以及相應(yīng)的借閱圖書數(shù)量，按8：2的比例分為訓(xùn)練集以及測試集，其描述性統(tǒng)計量如表1所示。

為了計算專業(yè)之間的交叉系數(shù)，本研究采用Python語言編寫爬蟲程序獲取專業(yè)課程安排，如表2所示。根據(jù)獲取到的各專業(yè)課程信息，按照本文圖書智慧推薦構(gòu)想實施框架進(jìn)行主題詞分析，并采用公式（1） 計算交叉學(xué)科系數(shù)歸一化處理，如表3所示。

3.2 基于交叉學(xué)科的圖書推薦實驗

依據(jù)本研究提出的推薦方法，在獲得專業(yè)間交叉系數(shù)之后，根據(jù)圖書信息建立分類層次模型，并對學(xué)生的借閱記錄采用公式（5）（6） 計算圖書之間基于分類模型的支持度和置信度，如表4所示。然后根據(jù)支持度、置信度、交叉系數(shù)以及圖書在分類模型中的距離，采用交叉驗證的方法獲取α，β，γ，按公式（8） 計算整體關(guān)聯(lián)度，之后再按照本文2.2小節(jié)中的算法選擇滿足閾值的頻繁項對學(xué)生進(jìn)行相應(yīng)圖書類別的推薦。

考慮交叉學(xué)科特點的圖書推薦方法與其他三種方法相比，在各指標(biāo)上都有明顯的提高。協(xié)同過濾推薦算法沒有考慮專業(yè)知識的因素，純粹根據(jù)學(xué)生的歷史記錄進(jìn)行推薦，隨著學(xué)生和圖書數(shù)量的增加，其準(zhǔn)確率、覆蓋率和多樣性均有明顯下降。在與二部圖的多樣性推薦算法的比較中，二部圖的多樣性推薦方法采用基于網(wǎng)絡(luò)的模式進(jìn)行推薦，基于網(wǎng)絡(luò)的推薦依賴于讀者共同借閱圖書的數(shù)量，隨著推薦列表的增加，推薦結(jié)果在準(zhǔn)確率方面和本文研究的方法越來越接近，但由于共同借閱書籍的數(shù)量較少，導(dǎo)致覆蓋率和多樣性方面仍然不如本研究的方法，如圖4、圖5所示。傳統(tǒng)基于關(guān)聯(lián)規(guī)則的推薦在各指標(biāo)方面的比較也比本研究的方法低近4%，具體數(shù)值如表5所示。

4 結(jié)論

本文采用主題詞分析方法研究讀者所學(xué)專業(yè)的交叉系數(shù)，結(jié)合圖書信息的分層模型，提出并驗證了一種考慮交叉學(xué)科特點的智慧圖書推薦方法。實驗結(jié)果表明，該方法與其它推薦方法相比，在各性能指標(biāo)方面，均可獲得更理想的結(jié)果。本研究提出的新方法具有以下特點：（1）根據(jù)讀者的專業(yè)背景和借閱記錄，能夠更好地為讀者提供符合專業(yè)需求和知識融合的圖書推薦，提高了推薦結(jié)果的準(zhǔn)確性，從而更好地改善讀者的個性化體驗;（2）在傳統(tǒng)關(guān)聯(lián)規(guī)則算法的基礎(chǔ)上，建立圖書信息的分層模型，從而更好地挖掘圖書之間的關(guān)聯(lián)關(guān)系并提高了推薦結(jié)果的多樣性，更好地滿足了讀者廣泛的興趣需求;（3）本研究采用參數(shù)化方法將交叉系數(shù)，圖書之間在分類樹中的距離融入到推薦模型中，從而使得推薦方法可通過調(diào)節(jié)參數(shù)靈活配置推薦結(jié)果中圖書的相關(guān)性和多樣性，為圖書館在大數(shù)據(jù)環(huán)境下實施推薦系統(tǒng)提供靈活的框架，有助于提升圖書館的個性化服務(wù)水平。另外，新方法對于高等院校制定圖書采購計劃也具有一定的參考意義。

本文主要探討考慮交叉學(xué)科特點的圖書推薦，還有些問題有待進(jìn)一步研究。本研究基于各專業(yè)開展的課程信息進(jìn)行交叉學(xué)科之間的交叉測度計算，但學(xué)科交叉不僅體現(xiàn)在課程上，也體現(xiàn)在各個學(xué)科的學(xué)術(shù)文獻(xiàn)中。由于目前對交叉學(xué)科的概念在學(xué)術(shù)界還沒有形成統(tǒng)一的定義，如何采用更準(zhǔn)確更合理的交叉學(xué)科測度方法，以獲得更好的實驗結(jié)果是本研究進(jìn)一步的研究方向。另外，如果從心理學(xué)的角度對讀者做更全面的綜合分析，推薦結(jié)果將會更為理想。

參考文獻(xiàn)：

OESTREICHERSINGER G，? SUNDARARAJAN A.

Recommendation networks and the long tail of electronic commerce[J]. Management Information Systems Quarterly， 2012，36（1）：65-83.

MARZ N， WARREN J. Big data： principles and best practices of scalable realtime data systems[J]. Pearson Schweiz Ag， 2013.

朝樂門，邢春曉，張勇.數(shù)據(jù)科學(xué)研究的現(xiàn)狀與趨勢[J].計算機(jī)科學(xué)，2018，45（1）：1-13.

國家中長期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要（2006—2020）[EB/OL].[2018-04-02].http：//www.fmprc.gov.cn/ce/cekor/chn/kjjl/kjzc/t802179.htm.

鄭曉瑛.交叉學(xué)科的重要性及其發(fā)展[J].北京大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）， 2007， 44（3）：141-147.

陸康.數(shù)字人文環(huán)境下圖書館讀者需求與行為統(tǒng)計分析實踐[J].新世紀(jì)圖書館， 2018（3）：31-35.

HURLEY N， NEIL J， ZHANG M. Novelty and diversity in top-N recommendation： analysis and evaluation[J]. ACM Transactions on Internet Technology，2011，10（4）：243-254.

LIU J G， SHI K， GUO Q. Solving the accuracy-diversity dilemma via directed random walks[J]. Physical Review E Statistical Nonlinear & Soft Matter Physics， 2012， 85（2）：016118.

孫彥超，韓鳳霞.基于協(xié)同過濾算法的個性化圖書推薦系統(tǒng)的研究[J].圖書館理論與實踐，2015（4）：99-102.

陳金菊.基于數(shù)據(jù)挖掘的讀者個性化服務(wù)研究[J].圖書館學(xué)研究，2016（23）：84-91.

WEI Y， LI H. Thelibrary evaluation based on the pca and fuzzy-c means[C]// International Conference on Artificial Intelligence and Computational Intelligence. IEEE， 2009：167-171.

柳益君，何勝，馮新翎，等.大數(shù)據(jù)挖掘在高校圖書館個性化服務(wù)中應(yīng)用研究[J].圖書館工作與研究，2017， 1（5）：23-29.

王順箐.以用戶畫像構(gòu)建智慧閱讀推薦系統(tǒng)[J].圖書館學(xué)研究，2018（4）：92-96.

楊利軍，高軍.圖書館個性化服務(wù)中的大數(shù)據(jù)可視化分析與應(yīng)用研究[J].現(xiàn)代情報，2015，35（7）：68-72.

馬仲兵.基于關(guān)聯(lián)規(guī)則的高校圖書館個性化推薦模型[J].新世紀(jì)圖書館，2013（7）：42-44.

袁虎聲，趙洗塵.基于加權(quán)借閱網(wǎng)絡(luò)的個性化推薦算法與實現(xiàn)[J].圖書情報工作， 2016（10）：130-134.

彭博.面向用戶屬性的個性化圖書推薦方法探究[J]. 圖書館工作與研究，2017（10）：118-123.

唐曉波，周詠.基于圖書基因組的個性化圖書推薦研究[J].圖書館學(xué)研究，2017（2）：76-85.

藍(lán)冬梅.大數(shù)據(jù)量圖書下多數(shù)據(jù)集的二部圖多樣化推薦[J]. 情報理論與實踐，2016，39（2）：69-72.

張宇峰.學(xué)科交叉融合的趨勢與現(xiàn)代圖書館工作的方向[J].圖書情報工作，2009（S2）：13-14.

KAEMMERER H， BAUER U， DE H F， et al. Recommendations for improving the quality of the interdisciplinary medical care of grown-ups with congenital heart disease（GUCH）[J]. International Journal of Cardiology，2011，150（1）：59-64.

鄭文濤. “雙一流”背景下的高校交叉學(xué)科建設(shè)研究[J].首都師范大學(xué)學(xué)報（社會科學(xué)版），2018（1）：160-166.

鄭茹，袁曦臨，宋歌.跨學(xué)科戰(zhàn)略規(guī)劃對大學(xué)人文社會科學(xué)國際化發(fā)展的影響：基于文獻(xiàn)計量學(xué)分析視角[J].新世紀(jì)圖書館，2017（3）：14-21.

商憲麗.基于多模主題網(wǎng)絡(luò)的交叉學(xué)科知識組合模式研究：以數(shù)字圖書館為例[J].情報科學(xué)，2018，36（3）：130-137.

邵瑞華，李亮，劉勐.學(xué)科交叉程度與文獻(xiàn)學(xué)術(shù)影響力的關(guān)系研究：以圖書情報學(xué)為例[J].情報雜志， 2018（3）：146-151.

張洪磊，魏建香，杜振東，等.基于社會復(fù)雜網(wǎng)絡(luò)的學(xué)科交叉研究[J]. 情報雜志，2011，30（10）：25-29.

魏建香.學(xué)科交叉知識發(fā)現(xiàn)及其可視化研究[D].南京：南京大學(xué)， 2010.

許海云，尹春曉，郭婷，等.學(xué)科交叉研究綜述[J].圖書情報工作，2015， 59（5）：119-127.

PORTER A L， COHEN A S， ROESSNER J D， et al. Measuring researcher interdisciplinarity[J]. Scientometrics，2007，72（1）：117-147.

王建明，袁偉.基于節(jié)點表的FP-Growth算法改進(jìn)[J].計算機(jī)工程與設(shè)計，2018（1）：140-145.

SHANI G， GUNAWARDANA A. Evaluating recommendation systems[J]. Recommender Systems Handbook， 2010：257-297.