劉愛琴 賈一帆 冷長青

摘 要：[目的]為了實(shí)現(xiàn)知識(shí)的快速聚類和關(guān)聯(lián)分類，由傳統(tǒng)的以資源檢索為目標(biāo)的高校圖書館系統(tǒng)轉(zhuǎn)變?yōu)橥耆嫦蛴脩粜枨蟮摹⒅鲃?dòng)發(fā)現(xiàn)和推送知識(shí)的圖書館知識(shí)發(fā)現(xiàn)系統(tǒng)。[過程]本文融合網(wǎng)絡(luò)爬蟲技術(shù)和學(xué)術(shù)資源網(wǎng)站結(jié)構(gòu)化數(shù)據(jù)的特征，構(gòu)建了基于隨機(jī)游走模型，依據(jù)摘要詞頻對(duì)文獻(xiàn)資料進(jìn)行主題詞的提取、聚類;隨后在標(biāo)簽信息標(biāo)注的基礎(chǔ)上，根據(jù)相似性對(duì)游走過程進(jìn)行加權(quán)處理;最終完成了知識(shí)關(guān)聯(lián)分類的知識(shí)發(fā)現(xiàn)系統(tǒng)。[結(jié)果]本文實(shí)現(xiàn)了用高效的知識(shí)提取手段，基于智慧云、物聯(lián)網(wǎng)構(gòu)建更加準(zhǔn)確和更具關(guān)聯(lián)性的知識(shí)發(fā)現(xiàn)系統(tǒng)，提高了高校圖書館知識(shí)檢索系統(tǒng)的查全率和查準(zhǔn)率。

關(guān)鍵詞：高校圖書館;摘要信息標(biāo)注;加權(quán)處理;隨機(jī)游走模型;知識(shí)發(fā)現(xiàn)系統(tǒng)

DOI：10.3969/j.issn.1008-0821.2020.05.012

〔中圖分類號(hào)〕G250.74 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2020）05-0096-08

Construction of Knowledge Discovery System in

University Library Based on Random Walking Model

Liu Aiqin Jia Yifan Leng Changqing

（School of Economics and Management，Shanxi University，Taiyuan 030006，China）

Abstract：[Purpose]In order to realize the fast association classification of knowledge，the traditional university library system with the goal of resource retrieval should transform into a library knowledge discovery system that completely faces the needs of users and actively discovers and pushes knowledge.[Process]In this paper，based on the combination of web crawler technology and the characteristics of structured data of academic resources websites，a random walk model was constructed，and the subject words were extracted and clustered according to the abstract word frequency;then，on the basis of label information tagging，the walking process was weighted according to similarity;Finally， the knowledge discovery system of knowledge association classification was completed.[Result]This paper realized the use of efficient knowledge extraction means to build a more accurate and relevant knowledge discovery system based on the cloud of wisdom and the Internet of things，which improved the recall and precision of the university library knowledge retrieval system.

Key words：university library;information tagging of the abstract;weighted processing;random walk model;knowledge discovery system

1 研究背景

用戶知識(shí)需求的不斷增加，要求獲取信息的準(zhǔn)確性和關(guān)聯(lián)性越來越高[1]，高校圖書館利用高效的知識(shí)提取手段和知識(shí)發(fā)現(xiàn)技術(shù)，基于智慧云、物聯(lián)網(wǎng)構(gòu)建更加準(zhǔn)確和更具關(guān)聯(lián)性的知識(shí)發(fā)現(xiàn)系統(tǒng)，實(shí)現(xiàn)短時(shí)間內(nèi)準(zhǔn)確獲取知識(shí)[2]，解決用戶的特定問題和滿足用戶日益增長的個(gè)性需求，要比高校圖書館提供傳統(tǒng)數(shù)據(jù)庫更吸引用戶的使用[3]。由傳統(tǒng)的以資源檢索為目標(biāo)轉(zhuǎn)變?yōu)橥耆嫦蛴脩粜枨蟮摹⒅鲃?dòng)發(fā)現(xiàn)和推送知識(shí)的圖書館知識(shí)發(fā)現(xiàn)系統(tǒng)的工作已迫在眉睫。

根據(jù)研究對(duì)象的數(shù)據(jù)特點(diǎn)，國內(nèi)外學(xué)者正在展開積極的研究。國外學(xué)者Sen S等[4]利用標(biāo)簽的推薦算法，Yildirim H等[5]利用RWR算法來消減協(xié)同過濾中稀疏性問題，其根據(jù)項(xiàng)目之間的相似度針對(duì)不同用戶的初始評(píng)分信息在項(xiàng)目空間中進(jìn)行不同的隨機(jī)游走過程;Zhou D Y等[6]基于超圖的隨機(jī)游走方法;Li D C等[7]基于超圖的半監(jiān)督關(guān)鍵詞排序算法的定義，Meila M等[8]基于馬爾可夫鏈的隨機(jī)游走聚類算法解決傳統(tǒng)服務(wù)中推薦算法準(zhǔn)確性不高以及推薦結(jié)果缺乏多樣性等問題。國內(nèi)學(xué)者在具體模型的構(gòu)建上進(jìn)行了大量的研究，何勝等[9]提出一種以文獻(xiàn)“混合關(guān)聯(lián)”為主要內(nèi)容的圖書館文獻(xiàn)推薦方案及實(shí)現(xiàn)算法;劉愛琴等[10]基于SOM神經(jīng)網(wǎng)構(gòu)件關(guān)聯(lián)數(shù)據(jù)集，并結(jié)合語義檢索和屬性值匹配等技術(shù)，構(gòu)建高校圖書館用戶個(gè)性化推薦服務(wù)系統(tǒng);趙榮珍等[11]針對(duì)知識(shí)發(fā)現(xiàn)中數(shù)據(jù)資源化保護(hù)的原始故障問題，借助數(shù)據(jù)驅(qū)動(dòng)構(gòu)建了基

于粗糙集理論的知識(shí)獲取模型，為智能決策的優(yōu)化提供了一種可行方案入PDA資源建設(shè)模式，幫助讀者在海量書目資源中方便快捷地發(fā)現(xiàn)自己需要的圖書資源;姜璐[12]通過利用現(xiàn)代信息分析技術(shù)，構(gòu)建了圖書館嵌入式知識(shí)發(fā)現(xiàn)情報(bào)分析服務(wù)模型。馬慧芳等[13]將文獻(xiàn)標(biāo)題與標(biāo)題中的詞項(xiàng)視為超邊與超點(diǎn)構(gòu)造超圖，對(duì)超邊與超點(diǎn)同時(shí)加權(quán)，設(shè)計(jì)了一種基于加權(quán)超圖隨機(jī)游走的關(guān)鍵詞提取算法;趙紅霞等[14]提出了基于隨機(jī)游走的最優(yōu)路徑集合選取算法，解決了網(wǎng)絡(luò)規(guī)模過大造成的準(zhǔn)確性和執(zhí)行效率丟失問題;王麗莎等[15]在隨機(jī)游走算法的基礎(chǔ)上進(jìn)行了改進(jìn)，提出了一種項(xiàng)目—標(biāo)簽導(dǎo)向的隨機(jī)游走推薦模型，針對(duì)特定用戶分別在項(xiàng)目空間和標(biāo)簽空間中根據(jù)對(duì)象之間的相似性計(jì)算轉(zhuǎn)移概率，進(jìn)行有限步長的隨機(jī)游走，在兩個(gè)空間中都生成若干個(gè)待推薦項(xiàng)目，然后重新計(jì)算預(yù)測評(píng)分，最后對(duì)該用戶進(jìn)行個(gè)性化信息推薦;方晨等[16]提出了基于隨機(jī)游走和多樣性圖排序的個(gè)性化服務(wù)推薦方法，解決了傳統(tǒng)服務(wù)推薦算法由于數(shù)據(jù)稀疏性而導(dǎo)致推薦準(zhǔn)確性不高，以及推薦結(jié)果缺乏多樣性等問題;在隨機(jī)游走模型的數(shù)據(jù)處理方面，余思東等[17]考慮隨機(jī)游走轉(zhuǎn)移概率的求解問題在邊界條件下的求解方法?？梢?，目前已有研究多集中于對(duì)文獻(xiàn)的題目或文獻(xiàn)列出的關(guān)鍵詞進(jìn)行分析和聚類，容易造成文獻(xiàn)信息獲取不全面、關(guān)鍵詞題目等對(duì)文獻(xiàn)的描述存在局限性等問題，同時(shí)，聚類標(biāo)準(zhǔn)的單一會(huì)使知識(shí)發(fā)現(xiàn)結(jié)果存在偏移。

綜上所述，本文融合網(wǎng)絡(luò)爬蟲技術(shù)和學(xué)術(shù)資源網(wǎng)站結(jié)構(gòu)化數(shù)據(jù)的特征，首先基于文獻(xiàn)摘要，利用網(wǎng)絡(luò)爬蟲、Python對(duì)摘要主題詞進(jìn)行提取，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)圖書館中海量的文獻(xiàn)數(shù)據(jù)進(jìn)行爬取、加工和整合，隨后將主題詞作為文獻(xiàn)分類的基礎(chǔ)，基于超圖模型、k-means算法構(gòu)建隨機(jī)游走模型，通過設(shè)置標(biāo)記點(diǎn)文獻(xiàn)并游走遍歷所有文獻(xiàn)的摘要主題詞，在諸多文獻(xiàn)之間的游走過程中，依據(jù)摘要的相似關(guān)鍵詞數(shù)量為從起點(diǎn)文章開始的不同游走路程進(jìn)行加權(quán)處理，獲得文獻(xiàn)間的關(guān)聯(lián)性;最后在完成所有文獻(xiàn)的游走過程后，將達(dá)到概率標(biāo)準(zhǔn)的文章劃分為同類，實(shí)現(xiàn)知識(shí)發(fā)現(xiàn)系統(tǒng)的關(guān)聯(lián)、聚類和規(guī)范，達(dá)到知識(shí)集成和整合。

2 知識(shí)發(fā)現(xiàn)系統(tǒng)模型構(gòu)建

2.1 理論基礎(chǔ)

隨機(jī)游走模型是通過隨機(jī)選取某一文獻(xiàn)作為起點(diǎn)，隨機(jī)游走所有的文獻(xiàn)，根據(jù)信息特征相似性對(duì)游走線路作加權(quán)處理，查閱所有文獻(xiàn)后完成聚類。

隨機(jī)游走算法通過對(duì)數(shù)據(jù)集進(jìn)行統(tǒng)一的定義，把給定的數(shù)據(jù)集合作為固定數(shù)目的節(jié)點(diǎn)和邊的離散對(duì)象，將數(shù)據(jù)聚類分析問題轉(zhuǎn)化為無向加權(quán)圖來實(shí)現(xiàn)求解。首先，將數(shù)據(jù)集映射成一個(gè)無向加權(quán)圖G=（V，E），由數(shù)據(jù)值的節(jié)點(diǎn)vi∈V和表示數(shù)據(jù)與其相鄰數(shù)據(jù)間關(guān)系的邊界e∈E組成。eij表示連接兩個(gè)頂點(diǎn)vi、vj的邊，每條邊用權(quán)重wij來表示兩個(gè)頂點(diǎn)之間的相似或差異程度。頂點(diǎn)vi的度定義為di=∑wij，等于所有與結(jié)點(diǎn)Vi相關(guān)聯(lián)邊的權(quán)值和;其次，根據(jù)數(shù)據(jù)性質(zhì)設(shè)置k個(gè)標(biāo)記點(diǎn)，通過為每個(gè)未被標(biāo)記的數(shù)據(jù)節(jié)點(diǎn)分配一個(gè)k維向量，來表示一個(gè)未被標(biāo)記點(diǎn)到達(dá)所有標(biāo)記點(diǎn)的隨機(jī)游走過程。第三，每個(gè)一維向量均表示從每個(gè)未標(biāo)記點(diǎn)出發(fā)，第一次到達(dá)k個(gè)標(biāo)記點(diǎn)的概率，k個(gè)概率中最大的值為未標(biāo)記點(diǎn)所屬的類標(biāo)簽。該方法將具有相似性的數(shù)據(jù)就可歸為一類，根據(jù)不同類別之間的差異實(shí)現(xiàn)數(shù)據(jù)聚類。

兩個(gè)文本數(shù)據(jù)X和Y的相似度可根據(jù)Tanimoto系數(shù)表示為式（1）：

其中，X與Y的相似度x、y即由二者相同的關(guān)鍵詞與所有關(guān)鍵詞之和的比值來表示，該相似度在進(jìn)行歸一化后也作為游走概率即游走過程中的權(quán)重處理。

在一定的邊界條件下，隨機(jī)游走轉(zhuǎn)移概率的求解問題與聯(lián)合狄利克雷求解問題的解相似。因此，本文通過求解聯(lián)合狄利克雷問題的解來實(shí)現(xiàn)隨機(jī)游走算法求解，在區(qū)域Ω上，給定定義文獻(xiàn)節(jié)點(diǎn)的函數(shù)u，其狄利克雷積分形式為式（2）：

D[u]=12∫ΩΔu2dΩ（2）

隨機(jī)游走從一個(gè)非標(biāo)記點(diǎn)到標(biāo)記點(diǎn)的概率等于該標(biāo)記點(diǎn)在邊界條件下的狄利克雷函數(shù)，求解的問題即在某個(gè)邊界條件下求解拉普拉斯函數(shù)，定義該文獻(xiàn)由二維參數(shù)i與j描述，如式（3）所示：

拉普拉斯Lij的值由節(jié)點(diǎn)vi與vj共同決定，該矩陣是滿足邊界條件下的對(duì)稱正定矩陣。di為節(jié)點(diǎn)vi的度，定義di=∑nj=1wij，表示w第i行所有元素之和。

由式（5）可知，關(guān)聯(lián)矩陣由邊eij和節(jié)點(diǎn)vk決定，圖中eij為任意方向，A為聯(lián)合梯度算子，AT為聯(lián)合散度算子。

構(gòu)造一個(gè)大小為m×n的對(duì)角陣C，其對(duì)角線上的值為映射圖邊上的權(quán)值，見式（6）：

如果連續(xù)，聯(lián)合梯度算子和聯(lián)合散度算子之積可以表示各向同性的聯(lián)合拉普拉斯矩陣即L=ATA。在映射圖中，矩陣C可看作向量上一個(gè)加權(quán)內(nèi)積大小的度量，當(dāng)C=I時(shí)，L=ATCA可簡化為L=ATA。因此，調(diào)和函數(shù)求解問題可通過上述定義解決即：在固定標(biāo)記點(diǎn)值已知情況下，非標(biāo)記點(diǎn)到標(biāo)記點(diǎn)的概率值可求，式（2）可轉(zhuǎn)化為：

其中，L為聯(lián)合的拉普拉斯矩陣，x為圖中數(shù)據(jù)的概率值，D[x]的最小值可通過聯(lián)合調(diào)和函數(shù)x求得，映射圖中的所有節(jié)點(diǎn)可分為未標(biāo)記點(diǎn)集合和標(biāo)記點(diǎn)集合集將拉普拉斯矩陣按標(biāo)記點(diǎn)和未標(biāo)記點(diǎn)排列得：

其中，XB、XU分別為標(biāo)記點(diǎn)和非標(biāo)記點(diǎn)的隨機(jī)游走概率值，D[xU]對(duì)xU求的微分得：

令xsi表示未標(biāo)記點(diǎn)到達(dá)標(biāo)記點(diǎn)為s的概率，定義一個(gè)表示所有標(biāo)記點(diǎn)集合的函數(shù)：Q（vj）=s，vj∈VM且0

因此，通過求解：LUxs=-BTms得到到達(dá)單個(gè)標(biāo)記點(diǎn)的概率;通過LUX=-BTM求得到所有種子點(diǎn)的概率，其中，k個(gè)列矢量xs組成X，k個(gè)列矢量ms組成M。因?yàn)閷?duì)任意未被標(biāo)記節(jié)點(diǎn)來說，它到所有種子點(diǎn)的概率之和為1，即：

對(duì)于k個(gè)標(biāo)記種子點(diǎn)來說，計(jì)k-1組方程，求可得出k-1個(gè)概率值。

在獲得每個(gè)結(jié)點(diǎn)vi第一次到達(dá)k個(gè)種子點(diǎn)的概率后，逐個(gè)比較大小，以最大轉(zhuǎn)移概率maxs（xsi）實(shí)現(xiàn)聚類。

2.2 系統(tǒng)構(gòu)建

基于隨機(jī)游走模型的高校圖書館知識(shí)發(fā)現(xiàn)系統(tǒng)由數(shù)據(jù)層、匹配層和用戶層3個(gè)層次組成。其中，數(shù)據(jù)層主要完成對(duì)文獻(xiàn)數(shù)據(jù)通過隨機(jī)游走模型進(jìn)行整合統(tǒng)計(jì)，包括數(shù)據(jù)庫，分為文獻(xiàn)資源數(shù)據(jù)庫與用戶資源數(shù)據(jù)庫，用來管理系統(tǒng)中所有的原始數(shù)據(jù);數(shù)據(jù)處理操作，包含對(duì)用戶搜索歷史、目標(biāo)學(xué)科信息的提取保存和文獻(xiàn)摘要關(guān)鍵詞的提取，以及通過關(guān)鍵詞相似度進(jìn)行文獻(xiàn)聚類，即隨機(jī)游走模型在系統(tǒng)中的應(yīng)用。

匹配層主要完成數(shù)據(jù)層與用戶層的連接，輸入處理主要是針對(duì)用戶搜索的文獻(xiàn)進(jìn)行資源庫搜索或?qū)π落浫氲奈墨I(xiàn)進(jìn)行聚類處理，以便后續(xù)搜索或相關(guān)文獻(xiàn)推薦;資源匹配則是將數(shù)據(jù)庫的文獻(xiàn)資源與用戶搜索匹配。

用戶層是展示給知識(shí)發(fā)現(xiàn)系統(tǒng)用戶的層面，其主要功能就是向用戶展示資源匹配的結(jié)果，內(nèi)容的形式以關(guān)聯(lián)文獻(xiàn)來表現(xiàn)，詳見圖1。

該知識(shí)發(fā)現(xiàn)系統(tǒng)將資源整合與用戶服務(wù)相結(jié)合，將數(shù)據(jù)層、匹配層和用戶層相聯(lián)系，具體服務(wù)操作流程如圖2所示：首先，系統(tǒng)起始操作由用戶或系統(tǒng)管理者發(fā)起。系統(tǒng)管理者發(fā)起對(duì)系統(tǒng)進(jìn)行文獻(xiàn)錄入，并由系統(tǒng)的匹配層完成輸入處理，匹配層提取文獻(xiàn)摘要關(guān)鍵詞并進(jìn)行隨機(jī)游走完成聚類，計(jì)入文獻(xiàn)資源庫的某一聚類集群中。其次，用戶在登入系統(tǒng)后，系統(tǒng)通過訪問用戶資源庫提取用戶的數(shù)據(jù)，包括歷史訪問、偏愛集群和用戶信息，獲取用戶可能感興趣的文獻(xiàn)或集群。在用戶輸入信息進(jìn)行搜索后，系統(tǒng)的匹配層完成輸入處理，并將用戶搜索輸入時(shí)提供的新用戶特征，如感興趣的學(xué)科內(nèi)容等錄入用戶資源庫。第三，用戶輸入搜索，匹配層完成資源匹配，將數(shù)據(jù)庫中的文獻(xiàn)資源與用戶搜索內(nèi)容進(jìn)行匹配。最后，系統(tǒng)完成匹配，將用戶的搜索與資源庫的文獻(xiàn)或集群的關(guān)聯(lián)展示給用戶，與此同時(shí)，新的用戶搜索增加新的用戶特征與關(guān)聯(lián)圖譜。通過此系統(tǒng)，提高了高校圖書館信息檢索的查全率和查準(zhǔn)率，實(shí)現(xiàn)了知識(shí)聚類。

3 系統(tǒng)實(shí)現(xiàn)

利用中國知網(wǎng)數(shù)據(jù)庫進(jìn)行上述高校圖書館知識(shí)發(fā)現(xiàn)系統(tǒng)中關(guān)于文獻(xiàn)摘要聚類的性能的算法仿真驗(yàn)證。本文應(yīng)用Python爬蟲技術(shù)，在檢索欄輸入“信息”，選取前200篇文獻(xiàn)，隨機(jī)抓取文獻(xiàn)摘要，并基于該摘要詞頻對(duì)相應(yīng)句意進(jìn)行主題詞提取。獲取文獻(xiàn)摘要并提取主題詞的部分代碼，如圖3所示，隨機(jī)獲得文獻(xiàn)摘要樣本后，根據(jù)詞頻對(duì)句意提取主題詞的部分代碼，如圖4所示。文獻(xiàn)間基于主題詞相似度獲取文獻(xiàn)間游走路徑的權(quán)重，部分獲取結(jié)果如圖5所示。

根據(jù)權(quán)重在200篇文獻(xiàn)中進(jìn)行隨機(jī)游走，最終部分結(jié)果如圖6所示，游走遍歷所有文獻(xiàn)的摘要關(guān)鍵詞聚類，關(guān)聯(lián)性強(qiáng)的文獻(xiàn)在如圖所示的結(jié)果中被聚集在了一起，讀者可以方便、快捷地查找到同類文獻(xiàn)，實(shí)現(xiàn)高校圖書館知識(shí)發(fā)現(xiàn)系統(tǒng)的構(gòu)建。

游走結(jié)果展示出了起點(diǎn)文獻(xiàn)或中心文獻(xiàn)及與該文獻(xiàn)關(guān)聯(lián)的文獻(xiàn)標(biāo)題與數(shù)目，如圖7所示，由此可以完成對(duì)具體聚類數(shù)目的規(guī)劃，較已有圖書館文獻(xiàn)聚類系統(tǒng)擁有更加細(xì)致的分類。

為使數(shù)據(jù)更加直觀，從視覺感官上獲取數(shù)據(jù)信息的頻度關(guān)聯(lián)程度，可通過方塊面積來展示數(shù)據(jù)信息頻度的Masico圖，和文字大小代表關(guān)鍵詞頻度的詞云，以及背景圖片的形狀變換相應(yīng)數(shù)據(jù)的位置來實(shí)現(xiàn)列表數(shù)據(jù)的可視化圖示。以“CEO特征對(duì)企業(yè)社會(huì)責(zé)任信息披露影響研究”為中心文獻(xiàn)為例，與該文獻(xiàn)關(guān)聯(lián)的，并以矩形方片中心橢圓式向外擴(kuò)散的可視化最終顯示結(jié)果，如圖8所示。其中，關(guān)鍵詞出現(xiàn)頻度不高，設(shè)置最低字體大小詞匯，以遠(yuǎn)離中心顯示。

在此為基礎(chǔ)，構(gòu)建的高效圖書館知識(shí)發(fā)現(xiàn)系統(tǒng)，由用戶界面與后臺(tái)管理界面組成，用戶和管理員可在此界面均可完成上述操作，詳見圖9、圖10所示。

4 結(jié) 語

融合網(wǎng)絡(luò)爬蟲技術(shù)和學(xué)術(shù)資源網(wǎng)站結(jié)構(gòu)化數(shù)據(jù)的特征，本文基于隨機(jī)游走模型構(gòu)建了高校圖書館知識(shí)發(fā)現(xiàn)系統(tǒng)。該系統(tǒng)依據(jù)摘要詞頻作為聚類標(biāo)準(zhǔn)，對(duì)文獻(xiàn)摘要進(jìn)行主題詞的提取、聚類;隨后在標(biāo)簽信息標(biāo)注的基礎(chǔ)上，遍歷文獻(xiàn)，并根據(jù)相似性對(duì)游走過程進(jìn)行加權(quán)處理，一方面有效地實(shí)現(xiàn)了知識(shí)的快速聚類和關(guān)聯(lián)分類;另一方面聚類類目的細(xì)化及起點(diǎn)或中心文獻(xiàn)及與該文獻(xiàn)關(guān)聯(lián)的文獻(xiàn)標(biāo)題與數(shù)目關(guān)聯(lián)可視化顯示，有效地提高了高校圖書館知識(shí)檢索系統(tǒng)的查全率和查準(zhǔn)率。

參考文獻(xiàn)

[1]李祎.基于圖書情報(bào)機(jī)構(gòu)智庫建設(shè)的知識(shí)發(fā)現(xiàn)系統(tǒng)構(gòu)建研究[J].圖書館工作與研究，2017，（2）：61-65.

[2]王勛.基于深度學(xué)習(xí)的數(shù)字圖書館網(wǎng)絡(luò)知識(shí)發(fā)現(xiàn)研究[J].圖書館學(xué)刊，2018，（7）：116-120.

[3]Doug Way.The Impact of Web-scale Discovery on the Use of a Library Collection[J].Serials Review，2010，36（4）：214-220.

[4]Sen S，Vig J，Riedl.J.Tagommenders：Connecting Users to Items through Tags[C]//Proceedings of the 18th International World Wide Web Conference，Madrid，Spain， 2009：671-680.

[5]Yildirim H，Krishnamoorthy M S.A Random Walk Method for Alleviating the Sparsity Problem in Collaborative Filtering[C]//Proceedings of the 4th ACM Conference on Recommender Systems，Lausanne，Switzerland 2008：131-138.

[6]Zhou D Y，Huang J Y，et al.Learning with Hypergraphs：Clustering，Classification，and Embedding[A].Proceedings of the 20th International Conference on Neural Information Processing Systems[C]//Vancouver，Canada：MIT Press，2006：1601-1608.

[7]Li D C，Li S J.Hypergraph-based Inductive Learning for Generating Implicit Key Phrases[A].Proceedings of the 20th International Conference on World Wide Web[C]//Hyderabad，India：Springer，2011：77-78.

[8]Meila M，Shi J.Learning Segmentation By Random Walks[C]//NIPS，Den，Co，USA：MIT Press，2000：873-879.

[9]何勝，熊太純，柳益君，等.基于Spark的高校圖書館文獻(xiàn)推薦方案及實(shí)證研究[J].圖書情報(bào)工作，2017，61（23）：129-137.

[10]劉愛琴，李永清.基于SOM神經(jīng)網(wǎng)絡(luò)的高校圖書館個(gè)性化推薦服務(wù)系統(tǒng)構(gòu)建[J].圖書館論壇，2018，38（4）：95-102.

[11]趙榮珍，鄧林峰.基于粗糙集數(shù)據(jù)分類概念的故障知識(shí)發(fā)現(xiàn)[J].振動(dòng)、測試與診斷，2012，32（1）：17-22，158.

[12]姜璐.大數(shù)據(jù)時(shí)代圖書館嵌入式知識(shí)發(fā)現(xiàn)情報(bào)分析服務(wù)研究[J].農(nóng)業(yè)圖書情報(bào)學(xué)刊，2018，30（8）：152-155.

[13]馬慧芳，劉芳，夏琴，等.基于加權(quán)超圖隨機(jī)游走的文獻(xiàn)關(guān)鍵詞提取方法[J].電子學(xué)報(bào)，2018，46（6）：1410-1414.

[14]趙紅霞，劉高森，李愈.基于隨機(jī)游走的分類垃圾回收最優(yōu)路徑規(guī)劃[J].交通運(yùn)輸工程于信息學(xué)報(bào)，2018，16（3）：103-108.

[15]王麗莎，張紹武，林鴻飛.基于項(xiàng)目和標(biāo)簽的隨機(jī)游走個(gè)性化信息推薦模型[J].情報(bào)學(xué)報(bào)，2012，31（3）：289-296.

[16]方晨，張恒巍，王娜，等.基于隨機(jī)游走和多樣性圖排序的個(gè)性化服務(wù)推薦方法[J].電子學(xué)報(bào)，2016，46（11）：2773-2780.

[17]余思東，萬榮澤，黃欣.一種基于隨機(jī)游走的復(fù)雜網(wǎng)絡(luò)生成[J].計(jì)算機(jī)應(yīng)用與軟件，2015，32（2）：120-123.

[18]何明，要?jiǎng)P升，楊芃，等.基于標(biāo)簽信息特征相似性的協(xié)同過濾個(gè)性化推薦[J].計(jì)算機(jī)科學(xué)，2018，45（6）：415-422.

（責(zé)任編輯：郭沫含）