CN112214686A - 基于读者兴趣偏好的信息检索个性化推荐服务的研究方法 - Google Patents

基于读者兴趣偏好的信息检索个性化推荐服务的研究方法 Download PDF

Info

Publication number
CN112214686A
CN112214686A CN202011046524.6A CN202011046524A CN112214686A CN 112214686 A CN112214686 A CN 112214686A CN 202011046524 A CN202011046524 A CN 202011046524A CN 112214686 A CN112214686 A CN 112214686A
Authority
CN
China
Prior art keywords
personalized recommendation
personalized
interest
information
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011046524.6A
Other languages
English (en)
Inventor
张铄
周红涛
吴琼
江秀梅
黄雯雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202011046524.6A priority Critical patent/CN112214686A/zh
Publication of CN112214686A publication Critical patent/CN112214686A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于图书管理领域，具体涉及一种基于读者兴趣偏好的信息检索个性化推荐服务的研究方法，分析用户兴趣偏好模型技术，对兴趣偏好建模技术中的信息收集方式、用户兴趣描述方式以及项目描述方式进行归类和总结；分析现有个性化推荐技术在用户兴趣变化问题上的解决方法，提出一种改进的兴趣模型；分析至少三种图书个性化推荐系统的实现过程、应用领域和其各自的优缺点；通过对图书个性化推荐技术的分析与比较，结合个性化图书信息服务技术中读者兴趣偏好模型的特点，提出一种改进的图书个性化推荐模型。通过对几种个性化推荐技术的比较和分析，构建基于读者兴趣偏好的信息检索个性化推荐服务的研究方法，以期提高图书馆信息资源的使用率。

Description

基于读者兴趣偏好的信息检索个性化推荐服务的研究方法
技术领域：
本发明属于图书管理领域，具体涉及一种基于读者兴趣偏好的信息检索个性化推荐服务的研究方法。
背景技术：
随着信息技术的发展，需要存储和传播的信息量越来越大，信息的种类和形式越来越丰富，传统图书馆的机制显然不能满足这些需要。由此，数字图书馆应运而生。数字图书馆是当前社会信息基础设施建设的重要组成部分，它以知识资源和信息资源为支撑，为读者建立集知识服务与信息服务为一体的图书馆环境，为读者提供优质的知识与信息服务。数字图书馆服务质量和资源利用效率的有效提高以个性化服务为主要途径，将读者作为服务的中心，一切工作的展开都是为了满足读者的个性化需求，有很强的主动性和针对性，是当前我国数字图书馆主要应用的服务模式。但随着数字资源的不断丰富，读者个性化的需求受到了挤压，图书馆越来越难以满足读者对图书资源的个性化需求，如何为读者提供更好的个性化服务成为各图书馆迫切需要解决的问题。
随着数字图书馆服务系统在高校图书馆中的广泛应用，个性化图书信息服务技术受到了越来越多的重视。个性化图书信息服务依据不同学科，为读者收集图书信息，经过数据过滤，将有用的图书信息推荐给读者。故此，通过对推荐技术及个性化推荐系统理论的学习研究，将数据挖掘技术引入到高校图书馆的读者服务中，实现个性化图书推荐。通过对个性化资源推荐服务系统研究，构建基于读者兴趣偏好的信息检索个性化推荐服务的研究方法。
发明内容：
本发明的目的是提供一种基于读者兴趣偏好的信息检索个性化推荐服务的研究方法，通过对几种个性化推荐技术的比较和分析，构建基于读者兴趣偏好的信息检索个性化推荐服务的研究方法，以期提高图书馆信息资源的使用率。
本发明采用的技术方案为：一种基于读者兴趣偏好的信息检索个性化推荐服务的研究方法，所述研究方法包括以下步骤：
步骤一：读者兴趣偏好建模及模型更新的分析
分析用户兴趣偏好模型技术，对兴趣偏好建模技术中的信息收集方式、用户兴趣描述方式以及项目描述方式进行归类和总结；分析现有个性化推荐技术在用户兴趣变化问题上的解决方法，并针对这些解决方法的缺陷，提出一种改进的兴趣模型；
步骤二：图书个性化推荐系统 的分析
分析至少三种图书个性化推荐系统的实现过程、应用领域和其各自的优缺点；通过对图书个性化推荐技术的分析与比较，结合个性化图书信息服务技术中读者兴趣偏好模型的特点，提出一种改进的图书个性化推荐模型，该模型既能突出读者兴趣偏好模型的特点，又能避免传统个性化推荐技术的缺陷。
进一步地，所述步骤一和步骤二的分析中采取的分析方法包括比较分析法、问卷调研法、系统分析法和总结归纳法；所述比较分析法是通过对国外与国内信息检索个性化服务模式的比较分析，总结信息检索个性化推荐服务的建议；所述问卷调研法是通过问卷调研方式，掌握大学生的信息意识、获取信息能力变化情况，便于对信息素养教育进行评价、管理；所述系统分析法是信息检索个性化服务，通过计算机应用技术、管理学、心理学实现；所述总结归纳法是对收集的文献资料、调查报告进行整理分析、归纳总结，作为最终方案规划的依据。
进一步地，所述用户兴趣建模方式包括显式建模和隐式建模，显式建模要求用户显式的提供表示其阅读偏好的各种数据，建立用户兴趣模型，包括用户对各类图书的评价和图书需求，系统根据兴趣模型向用户推荐与其兴趣相关的信息，隐式建模是指个性化服务系统通过搜集用户的借阅记录、网页检索记录信息，建立用户兴趣模型。
进一步地，所述图书个性化推荐系统在不同应用背景下采用不同种类的个性化推荐技术，主要包括基于内容过滤的推荐、基于协同过滤的推荐、基于关联规则的推荐和混合方式的推荐技术。
本发明的有益效果：提供了一种基于读者兴趣偏好的信息检索个性化推荐服务的研究方法，通过对几种个性化推荐技术的比较和分析，构建基于读者兴趣偏好的信息检索个性化推荐服务的研究方法，以期提高图书馆信息资源的使用率。能够为图书馆的读者群体提供个性化服务，使图书馆的服务从被动到主动，增强读者对图书馆的参与感和归属感；能够针对图书馆图书分类中的长尾的图书，为它们寻找感兴趣的读者，增加图书馆馆藏图书的利用率和流通率；针对不同读者群体，能够有针对性推荐图书，为图书馆的各种宣传推荐服务提供切实可行的决策支持。
具体实施方式：
实施例一
一种基于读者兴趣偏好的信息检索个性化推荐服务的研究方法所述研究方法包括以下步骤：
步骤一：读者兴趣偏好建模及模型更新的分析
分析用户兴趣偏好模型技术，对兴趣偏好建模技术中的信息收集方式、用户兴趣描述方式以及项目描述方式进行归类和总结；分析现有个性化推荐技术在用户兴趣变化问题上的解决方法，并针对这些解决方法的缺陷，提出一种改进的兴趣模型；
步骤二：图书个性化推荐系统 的分析
分析至少三种图书个性化推荐系统的实现过程、应用领域和其各自的优缺点；通过对图书个性化推荐技术的分析与比较，结合个性化图书信息服务技术中读者兴趣偏好模型的特点，提出一种改进的图书个性化推荐模型，该模型既能突出读者兴趣偏好模型的特点，又能避免传统个性化推荐技术的缺陷。
所述步骤一和步骤二的分析中采取的分析方法包括比较分析法、问卷调研法、系统分析法和总结归纳法；所述比较分析法是通过对国外与国内信息检索个性化服务模式的比较分析，总结信息检索个性化推荐服务的建议；所述问卷调研法是通过问卷调研方式，掌握大学生的信息意识、获取信息能力变化情况，便于对信息素养教育进行评价、管理；所述系统分析法是信息检索个性化服务，通过计算机应用技术、管理学、心理学实现；所述总结归纳法是对收集的文献资料、调查报告进行整理分析、归纳总结，作为最终方案规划的依据。
所述用户兴趣建模方式包括显式建模和隐式建模，显式建模要求用户显式的提供表示其阅读偏好的各种数据，建立用户兴趣模型，包括用户对各类图书的评价和图书需求，系统根据兴趣模型向用户推荐与其兴趣相关的信息，隐式建模是指个性化服务系统通过搜集用户的借阅记录、网页检索记录信息，建立用户兴趣模型。
所述图书个性化推荐系统在不同应用背景下采用不同种类的个性化推荐技术，主要包括基于内容过滤的推荐、基于协同过滤的推荐、基于关联规则的推荐和混合方式的推荐技术。
个性化服务资源推荐是指图书馆对读者的阅读特点、爱好及明显的个人资源访问行为进行分析和挖掘，掌握读者的阅读兴趣与爱好，以及和图书资源、读者群之间的关联，以便为他们提供更好的信息服务。图书馆在提供服务的过程中会过滤掉与该读者无关的信息与资源，只提供和推荐那些与其兴趣相关的信息与资源。读者兴趣模型、资源推荐对象、推荐算法及读者四大板块共同构成了数字图书馆个性化资源推荐服务系统。个性化资源推荐服务系统能够基于资源推荐对象的特征信息及读者兴趣模型，判定读者的需求信息并进行相关性匹配； 应用推算法能计算和筛选与读者兴趣相关的知识资源，并向其推荐； 而读者兴趣的获取则是通过掌握读者的资源访问行为得到的。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明只局限于上述具体实施。在不脱离本发明整体思路和权利要求所保护的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (4)

1.一种基于读者兴趣偏好的信息检索个性化推荐服务的研究方法，其特征在于：所述研究方法包括以下步骤：
步骤一：读者兴趣偏好建模及模型更新的分析
分析用户兴趣偏好模型技术，对兴趣偏好建模技术中的信息收集方式、用户兴趣描述方式以及项目描述方式进行归类和总结；分析现有个性化推荐技术在用户兴趣变化问题上的解决方法，并针对这些解决方法的缺陷，提出一种改进的兴趣模型；
步骤二：图书个性化推荐系统的分析
分析至少三种图书个性化推荐系统的实现过程、应用领域和其各自的优缺点；通过对图书个性化推荐技术的分析与比较，结合个性化图书信息服务技术中读者兴趣偏好模型的特点，提出一种改进的图书个性化推荐模型，该模型既能突出读者兴趣偏好模型的特点，又能避免传统个性化推荐技术的缺陷。
2.根据权利要求1所述的一种基于读者兴趣偏好的信息检索个性化推荐服务的研究方法，其特征在于：所述步骤一和步骤二的分析中采取的分析方法包括比较分析法、问卷调研法、系统分析法和总结归纳法；所述比较分析法是通过对国外与国内信息检索个性化服务模式的比较分析，总结信息检索个性化推荐服务的建议；所述问卷调研法是通过问卷调研方式，掌握大学生的信息意识、获取信息能力变化情况，便于对信息素养教育进行评价、管理；所述系统分析法是信息检索个性化服务，通过计算机应用技术、管理学、心理学实现；所述总结归纳法是对收集的文献资料、调查报告进行整理分析、归纳总结，作为最终方案规划的依据。
3.根据权利要求1所述的一种基于读者兴趣偏好的信息检索个性化推荐服务的研究方法，其特征在于：所述用户兴趣建模方式包括显式建模和隐式建模，显式建模要求用户显式的提供表示其阅读偏好的各种数据，建立用户兴趣模型，包括用户对各类图书的评价和图书需求，系统根据兴趣模型向用户推荐与其兴趣相关的信息，隐式建模是指个性化服务系统通过搜集用户的借阅记录、网页检索记录信息，建立用户兴趣模型。
4.根据权利要求1所述的一种基于读者兴趣偏好的信息检索个性化推荐服务的研究方法，其特征在于：所述图书个性化推荐系统在不同应用背景下采用不同种类的个性化推荐技术，主要包括基于内容过滤的推荐、基于协同过滤的推荐、基于关联规则的推荐和混合方式的推荐技术。
CN202011046524.6A 2020-09-29 2020-09-29 基于读者兴趣偏好的信息检索个性化推荐服务的研究方法 Pending CN112214686A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011046524.6A CN112214686A (zh) 2020-09-29 2020-09-29 基于读者兴趣偏好的信息检索个性化推荐服务的研究方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011046524.6A CN112214686A (zh) 2020-09-29 2020-09-29 基于读者兴趣偏好的信息检索个性化推荐服务的研究方法

Publications (1)

Publication Number Publication Date
CN112214686A true CN112214686A (zh) 2021-01-12

Family

ID=74051384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011046524.6A Pending CN112214686A (zh) 2020-09-29 2020-09-29 基于读者兴趣偏好的信息检索个性化推荐服务的研究方法

Country Status (1)

Country Link
CN (1) CN112214686A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106095949A (zh) * 2016-06-14 2016-11-09 东北师范大学 一种基于混合推荐的数字化图书馆资源个性化推荐方法与系统
CN109472286A (zh) * 2018-09-30 2019-03-15 浙江工业大学 基于兴趣度模型与类型因子的高校图书推荐方法
CN110489633A (zh) * 2019-08-22 2019-11-22 广州图创计算机软件开发有限公司 一种基于图书馆数据的智慧大脑服务平台

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106095949A (zh) * 2016-06-14 2016-11-09 东北师范大学 一种基于混合推荐的数字化图书馆资源个性化推荐方法与系统
CN109472286A (zh) * 2018-09-30 2019-03-15 浙江工业大学 基于兴趣度模型与类型因子的高校图书推荐方法
CN110489633A (zh) * 2019-08-22 2019-11-22 广州图创计算机软件开发有限公司 一种基于图书馆数据的智慧大脑服务平台

Similar Documents

Publication Publication Date Title
Priem et al. Altmetrics in the wild: Using social media to explore scholarly impact
CN111460252B (zh) 一种基于网络舆情分析的自动化搜索引擎方法及系统
Jalali et al. Research trends on big data domain using text mining algorithms
CN107341199A (zh) 一种基于文献信息共性模式的推荐方法
CN111680125A (zh) 诉讼案件分析方法、装置、计算机设备及存储介质
CN108647729A (zh) 一种用户画像获取方法
KR20180096341A (ko) 소셜 플랫폼상에서 mooc와 플립드러닝을 지원하는 온톨로지 기반 교육 콘텐츠 소셜 큐레이터 구현 시스템 및 그 방법
Vakkari et al. Disciplinary contributions to research topics and methodology in Library and Information Science—Leading to fragmentation?
Cheng et al. Process and application of data mining in the university library
CN109344325B (zh) 基于智能会议平板的信息的推荐方法和装置
CN117556065B (zh) 基于深度学习的大模型数据管理系统及方法
Abdelali Education data mining: mining MOOCs videos using metadata based approach
CN112214686A (zh) 基于读者兴趣偏好的信息检索个性化推荐服务的研究方法
Li Innovation and development of university education management informationization in the environment of wireless communication and big data
Jia et al. Library management system based on recommendation system
Zhu A book recommendation algorithm based on collaborative filtering
Jha et al. A step towards big data architecture for higher education analytics
Li et al. News video title extraction algorithm based on deep learning
CN115705379A (zh) 智能推荐方法及装置、设备、存储介质
Mangina et al. Review of learning analytics and educational data mining applications
Xu et al. [Retracted] Development of Educational Communication Path of Journalism in Colleges and Universities in the Era of Mobile Communication
Wang et al. A Locality-Sensitive Hashing-based Automatic Group Identification Approach in Group Recommendation
Nuredini Altmetrics for Digital Libraries: Concepts, Applications, Evaluation, and Recommendations
Grossmann et al. Web usage mining in e-commerce
Pawar et al. Prediction of movie performance using machine learning algorithms

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination