摘 要：本文針對(duì)傳統(tǒng)高校圖書(shū)館推薦系統(tǒng)疏密度較高、精度差等問(wèn)題，設(shè)計(jì)了一種基于全景感知的高校圖書(shū)館智能推薦系統(tǒng)。首先，根據(jù)關(guān)聯(lián)規(guī)則對(duì)系統(tǒng)硬件進(jìn)行優(yōu)化，添加存儲(chǔ)單元以提升運(yùn)行速度；其次，對(duì)系統(tǒng)軟件運(yùn)行流程進(jìn)行處理，并利用聚類(lèi)算法進(jìn)行相似度計(jì)算，根據(jù)相似度對(duì)書(shū)目生產(chǎn)關(guān)聯(lián)規(guī)則，并將推薦結(jié)果通過(guò)全景感知展示給用戶(hù)。試驗(yàn)結(jié)果表明，本文系統(tǒng)采用的聚類(lèi)算法有效解決了數(shù)據(jù)疏密度問(wèn)題，與KNN算法相比，聚類(lèi)算法提升了算法推薦效率與質(zhì)量，同時(shí)也解決了冷啟動(dòng)問(wèn)題，具有較高的實(shí)用性與推廣價(jià)值。

關(guān)鍵詞：全景感知；高校圖書(shū)館；推薦系統(tǒng)；聚類(lèi)算法

中圖分類(lèi)號(hào)：TP 391" " " " 文獻(xiàn)標(biāo)志碼：A

數(shù)字技術(shù)的發(fā)展賦予圖書(shū)館智慧化特征，使圖書(shū)館具備感知分析能力，智能推薦服務(wù)已成為圖書(shū)館發(fā)展的主要方向[1]。目前，學(xué)界對(duì)圖書(shū)館推薦系統(tǒng)的研究尚處于初級(jí)階段。張希平等[2]利用數(shù)據(jù)挖掘算法設(shè)計(jì)了一種高校圖書(shū)館推薦系統(tǒng)，可向?qū)W生精準(zhǔn)推送書(shū)目資源，避免冗雜信息干擾；王大阜等[3]為了實(shí)現(xiàn)自適應(yīng)平臺(tái)與用戶(hù)的互動(dòng)，設(shè)計(jì)了一種基于用戶(hù)畫(huà)像的圖書(shū)館推薦系統(tǒng)，為用戶(hù)提供符合其需求的書(shū)目資源。雖然這些系統(tǒng)均具有較高的推薦性能，但是在疏密度、精度以及冷啟動(dòng)等方面仍有不足。由于高校圖書(shū)館具有較強(qiáng)的感知性，因此利用全景感知能夠更準(zhǔn)確地了解用戶(hù)需求。智能推薦建立在用戶(hù)情景數(shù)據(jù)多態(tài)感知基礎(chǔ)上，數(shù)字技術(shù)的發(fā)展為基于全景感知的智能推薦服務(wù)提供了數(shù)據(jù)支持[4]。鑒于此，本文設(shè)計(jì)了一種基于全景感知的高校圖書(shū)館智能推薦系統(tǒng)，利用聚類(lèi)算法對(duì)簇中數(shù)據(jù)進(jìn)行挖掘。該方法具有效率高、數(shù)據(jù)依賴(lài)性低等優(yōu)勢(shì)，能夠提升圖書(shū)館資源利用率，實(shí)現(xiàn)面向用戶(hù)需求的智能推送，可為提高用戶(hù)閱讀服務(wù)體驗(yàn)提供新思路。

1 整體設(shè)計(jì)

基于系統(tǒng)設(shè)計(jì)目標(biāo)，應(yīng)用全景感知與Hadoop框架進(jìn)行整體架構(gòu)設(shè)計(jì)。系統(tǒng)中的全景圖像拼接、全景分割與聚類(lèi)算法可進(jìn)行精準(zhǔn)感知與捕捉，實(shí)時(shí)感知并獲取書(shū)目數(shù)據(jù)與用戶(hù)數(shù)據(jù)。全景拼接可映射全景，檢測(cè)用戶(hù)借閱特征；全景分割用于識(shí)別用戶(hù)所處環(huán)境與狀態(tài)；Hadoop框架利用聚類(lèi)算法對(duì)系統(tǒng)各類(lèi)數(shù)據(jù)進(jìn)行并行計(jì)算，同時(shí)形成數(shù)據(jù)表，用于數(shù)據(jù)庫(kù)的存儲(chǔ)與檢索。系統(tǒng)由感知層、數(shù)據(jù)層、運(yùn)算層和服務(wù)層構(gòu)成，其中，感知層由全景圖像拼接和全景分割提供支持，可對(duì)用戶(hù)閱讀行為、借閱習(xí)慣以及館藏狀態(tài)進(jìn)行全景感知；數(shù)據(jù)層可處理感知層獲取的數(shù)據(jù)，將異構(gòu)化數(shù)據(jù)轉(zhuǎn)換成結(jié)構(gòu)化數(shù)據(jù)；運(yùn)算層采用聚類(lèi)算法對(duì)各類(lèi)數(shù)據(jù)進(jìn)行計(jì)算，并對(duì)推薦內(nèi)容進(jìn)行篩選與優(yōu)化；服務(wù)層可以感知用戶(hù)閱讀喜好，在預(yù)測(cè)用戶(hù)閱讀需求的基礎(chǔ)上為其提供智能推薦服務(wù)。系統(tǒng)整體架構(gòu)如圖1所示。

2 硬件設(shè)計(jì)

為保證運(yùn)行效果，需要對(duì)硬件進(jìn)行優(yōu)化。在系統(tǒng)中設(shè)置客戶(hù)端與瀏覽器，利用C/S架構(gòu)有效管理圖書(shū)信息，并對(duì)書(shū)目特征進(jìn)行充分挖掘。進(jìn)一步分析用戶(hù)借閱信息，對(duì)用戶(hù)閱讀興趣進(jìn)行綜合判斷，通過(guò)全景感知進(jìn)行書(shū)籍智能推薦。為了使推薦效果保持最優(yōu)，應(yīng)繼續(xù)優(yōu)化系統(tǒng)結(jié)構(gòu)，在安防部件上增設(shè)防火墻，保障系統(tǒng)運(yùn)行安全。

根據(jù)硬件結(jié)構(gòu)挖掘書(shū)目特征，采用聚類(lèi)算法進(jìn)行類(lèi)別分類(lèi)。分類(lèi)工作結(jié)束后，將收集的信息存儲(chǔ)到MariaDB內(nèi)，深度分析項(xiàng)目關(guān)聯(lián)性，進(jìn)一步優(yōu)化硬件結(jié)構(gòu)。在系統(tǒng)中添加AM186（一種嵌入式處理器），同時(shí)開(kāi)放總線(xiàn)接口，從而對(duì)各類(lèi)用戶(hù)信息進(jìn)行統(tǒng)一處理。

對(duì)系統(tǒng)內(nèi)的存儲(chǔ)單元進(jìn)行特征數(shù)值的共享處理，確保書(shū)目特征類(lèi)別信息收集和輸入（輸出）的有效性，并根據(jù)用戶(hù)需要選擇線(xiàn)路，存儲(chǔ)于特征類(lèi)別的存儲(chǔ)模塊[5]。系統(tǒng)須添加124位存儲(chǔ)器，便于后續(xù)將信息傳輸?shù)酱鎯?chǔ)單元，進(jìn)而進(jìn)行書(shū)目管理與推薦。

基于上述結(jié)構(gòu)整合借閱信息，有針對(duì)性地為用戶(hù)推薦書(shū)目，同時(shí)通過(guò)感知引擎來(lái)管理圖書(shū)流通數(shù)據(jù)，以此獲取用戶(hù)借閱興趣信息并進(jìn)行推薦操作。

3 軟件設(shè)計(jì)

根據(jù)上述硬件設(shè)計(jì)對(duì)軟件進(jìn)一步優(yōu)化，并結(jié)合書(shū)目特征關(guān)聯(lián)信息進(jìn)行推薦。為使系統(tǒng)穩(wěn)定運(yùn)行，設(shè)置特征類(lèi)別管理閾值，以便更好地獲取對(duì)應(yīng)的支持?jǐn)?shù)與最小信度。書(shū)目特征推薦數(shù)據(jù)應(yīng)根據(jù)支持?jǐn)?shù)與最小信度對(duì)興趣書(shū)目進(jìn)行檢索與推送，同時(shí)簡(jiǎn)化篩選過(guò)程。選擇推薦最優(yōu)值與特征設(shè)備點(diǎn)進(jìn)行連接，并合理分類(lèi)特征數(shù)據(jù)，主要流程包括特征獲取和特征匹配。

3.1 特征獲取

采用聚類(lèi)算法完成用戶(hù)特征信息分類(lèi)，標(biāo)記為顯性特征與隱性特征。收集用戶(hù)不同特征值（院系、學(xué)科和興趣），以顯性方式獲取用戶(hù)對(duì)書(shū)目的反饋信息后，再用隱性方法處理。更新數(shù)據(jù)庫(kù)后進(jìn)行特征提取，對(duì)海量書(shū)目信息進(jìn)行深度分類(lèi)與推薦。

3.2 特征匹配

分析特征值后，對(duì)關(guān)聯(lián)信息進(jìn)行判定并輸出結(jié)果，進(jìn)而進(jìn)行推薦描述。如果在特征匹配過(guò)程中沒(méi)有檢索到需求資源，應(yīng)對(duì)類(lèi)似資源進(jìn)行最優(yōu)化展示，同時(shí)完善檢索引擎，為用戶(hù)提供更系統(tǒng)化的檢索體系[6]。如果對(duì)類(lèi)別判定困難，就需要根據(jù)歷史檢測(cè)對(duì)書(shū)目特征詞匯進(jìn)行匹配，檢索類(lèi)似資源，并根據(jù)關(guān)聯(lián)規(guī)則進(jìn)行排列與推送，使用戶(hù)能夠全方位感知，并進(jìn)一步篩選用戶(hù)所需特征數(shù)據(jù)，結(jié)束特征匹配工作。特征匹配整體流程如圖2所示。

將書(shū)目特征代入上述匹配流程，通過(guò)各類(lèi)途徑分析關(guān)聯(lián)規(guī)則，并進(jìn)行智能推薦。根據(jù)推薦信息進(jìn)行綜合評(píng)價(jià)，同時(shí)根據(jù)評(píng)價(jià)調(diào)整推薦順序，從而實(shí)現(xiàn)書(shū)目智能服務(wù)。

4 算法流程

書(shū)目特征形成的數(shù)據(jù)具有高穩(wěn)定性，能夠改進(jìn)疏密情況。利用聚類(lèi)算法創(chuàng)建關(guān)聯(lián)表，根據(jù)圖書(shū)信息提取關(guān)鍵詞，并按照頻率獲取不同關(guān)鍵詞權(quán)重，基于這類(lèi)信息計(jì)算相似度，從而完成圖書(shū)推薦。

4.1 關(guān)鍵詞權(quán)重

通過(guò)算法獲取關(guān)鍵詞權(quán)重，設(shè)wf為詞頻，rf為反向詞頻，這2個(gè)參數(shù)可體現(xiàn)詞語(yǔ)普遍性。設(shè)e為關(guān)鍵詞總量，m為關(guān)鍵詞的出現(xiàn)頻率，詞頻wf如公式（1）所示。

（1）

設(shè)x為包括關(guān)鍵詞圖書(shū)數(shù)量，y為圖書(shū)總量，反向詞頻rf如公式（2）所示。

（2）

基于上述流程獲取關(guān)鍵詞權(quán)重h1，如公式（3）所示。

h1=wf·rf " " " " " " （3）

4.2 書(shū)目相似度

設(shè)h2為關(guān)鍵詞，構(gòu)成向量空間后獲取書(shū)目相似度。設(shè)書(shū)目A與B，這2個(gè)參數(shù)擁有相同關(guān)鍵詞數(shù)量z1，書(shū)目相似度sim（A，B）如公式（4）所示。

（4）

4.3 用戶(hù)相似度

對(duì)屬性相似度與活躍相似度進(jìn)行計(jì)算后統(tǒng)計(jì)用戶(hù)相似度。

4.3.1 屬性相似度

sim值越大，屬性相似度越高，屬性相似度如公式（5）所示。

（5）

式中：dmax為屬性差距最大值；dmin為屬性差距最小值；|dmax，dmin|為差距區(qū)間；u為根據(jù)差距區(qū)間獲取相似度。

4.3.2 活躍相似度

根據(jù)動(dòng)態(tài)用戶(hù)信息獲取活躍相似度，設(shè)用戶(hù)g1與g2這2個(gè)參數(shù)擁有相同關(guān)鍵詞數(shù)量z2，當(dāng)sim值越大時(shí)活躍相似度越高，活躍相似度sim（g1，g2）如公式（6）所示。

（6）

4.4 置信度

針對(duì)不同書(shū)目關(guān)聯(lián)，創(chuàng)建清除重復(fù)關(guān)聯(lián)規(guī)則，設(shè)v=（v1，v2，…，vn）為圖書(shū)集合，y為圖書(shū)數(shù)量，置信度con（v）如公式（7）所示。

（7）

在推薦過(guò)程中，利用聚類(lèi)算法將書(shū)目聚類(lèi)分為數(shù)量k，根據(jù)關(guān)聯(lián)性對(duì)各聚類(lèi)內(nèi)的書(shū)目生產(chǎn)關(guān)聯(lián)規(guī)則，對(duì)符合最小置信度的書(shū)目創(chuàng)建推薦書(shū)目，從而完成圖書(shū)智能推薦。

5 系統(tǒng)試驗(yàn)

相關(guān)數(shù)據(jù)來(lái)自某高校2020—2023年的校圖書(shū)館信息，主要包括6 000冊(cè)圖書(shū)、12 382條借閱記錄以及13 692名用戶(hù)。

5.1 疏密度

采用3種方法驗(yàn)證疏密度問(wèn)題。1）用類(lèi)別矩陣代替書(shū)目覺(jué)鎮(zhèn)，圖書(shū)館包括233個(gè)類(lèi)別。2）將40個(gè)常用類(lèi)別作為特征向量。3）組合聚類(lèi)，將k（簇）設(shè)為10，最大迭代數(shù)為40，聚類(lèi)情況見(jiàn)表1。

疏密度如公式（8）所示。

（8）

式中：d為疏密度；t為元素總量；r為元素代表。

上述3種方法的疏密度結(jié)果如圖3所示。根據(jù)試驗(yàn)可知，第一種方法的疏密度為97.63%左右，與其他方法相比，方法一保持了較高水平；第二種方法使用40種常用類(lèi)別，疏密度為86.35%左右；第三種方法通過(guò)聚類(lèi)生成類(lèi)別矩陣，將疏密度降至75.62%左右。

5.2 精確度

為進(jìn)一步驗(yàn)證系統(tǒng)有效性，使用KNN算法與本文系統(tǒng)采用的聚類(lèi)算法進(jìn)行精度比較試驗(yàn)。精度是評(píng)價(jià)系統(tǒng)推薦性能的核心指標(biāo)，精度precision如公式（9）所示。

（9）

式中：l為訓(xùn)練集上實(shí)際為正例且被模型正確預(yù)測(cè)為正例的推薦書(shū)目列表；b為測(cè)試集上實(shí)際為負(fù)例但被模型錯(cuò)誤預(yù)測(cè)為正例的書(shū)目列表。

結(jié)果如圖4所示。由試驗(yàn)可知，當(dāng)訓(xùn)練集由10個(gè)增至40個(gè)時(shí)，能夠看到2種算法的精度均相應(yīng)提升。閱讀數(shù)量能夠直接影響算法推薦性能。在KNN算法訓(xùn)練過(guò)程中，小訓(xùn)練集可能無(wú)法完全彰顯用戶(hù)興趣，大集合包包括的用戶(hù)興趣過(guò)多。本文系統(tǒng)使用的聚類(lèi)算法有效解決了疏密度問(wèn)題，既有效提升了算法推薦效率與質(zhì)量，同時(shí)也解決了冷啟動(dòng)問(wèn)題。

6 結(jié)語(yǔ)

綜上所述，在數(shù)字時(shí)代，高校圖書(shū)館智能推薦系統(tǒng)的推廣應(yīng)用能夠成為圖書(shū)館事業(yè)發(fā)展的有力推動(dòng)力。本文應(yīng)用全景感知技術(shù)，設(shè)計(jì)出一種高校圖書(shū)館智能推薦系統(tǒng)，在硬件配置上添加存儲(chǔ)單元，可提升運(yùn)行速度，利用聚類(lèi)算法進(jìn)行相似度計(jì)算，根據(jù)相似度對(duì)書(shū)目生產(chǎn)關(guān)聯(lián)規(guī)則，并將推薦結(jié)果通過(guò)全景感知展示給用戶(hù)。試驗(yàn)結(jié)果表明，本文系統(tǒng)有效解決了疏密度、精度和冷啟動(dòng)問(wèn)題，可面向用戶(hù)需求進(jìn)行精準(zhǔn)化的智能推薦。

參考文獻(xiàn)

[1]王曉霞，孟佳娜，江烽，等.基于多視圖的知識(shí)感知推薦系統(tǒng)[J].計(jì)算機(jī)與現(xiàn)代化，2024（2）：100-107.

[2]張希平，姜華.基于數(shù)據(jù)挖掘的高校圖書(shū)館圖書(shū)推薦系統(tǒng)探究[J].信息記錄材料，2021，22（10）：241-242.

[3]王大阜，鄧志文，賈志勇，等.基于用戶(hù)畫(huà)像的高校圖書(shū)館個(gè)性化圖書(shū)推薦研究[J].河南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，50（3）：95-103.

[4]鄒永茂.基于互聯(lián)網(wǎng)的校園圖書(shū)館薦書(shū)模式分析[J].電子技術(shù)，2024，53（2）：410-411.

[5]馬艷.基于語(yǔ)義圖譜的圖書(shū)館文獻(xiàn)推薦系統(tǒng)設(shè)計(jì)[J].信息技術(shù)，2023（10）：147-151.

[6]閆俊輝.基于多維關(guān)系和用戶(hù)聚類(lèi)的智慧圖書(shū)館個(gè)性化圖書(shū)推薦研究[J].現(xiàn)代計(jì)算機(jī)，2023，29（14）：62-65，73.