基于用户画像的数字图书馆智能阅读推荐模式

李晓旭

（滨州市图书馆，山东 滨州 256600）

互联网技术的广泛应用，在给用户获取信息带来便利的同时，也使得用户的信息行为轨迹更容易被获取。借助大数据、数据挖掘等技术，对用户数据进行采集分析，是深入分析用户需求、跟踪掌握用户动态变化的有效方法。对于转型发展中的数字图书馆而言，借助用户数据与资源分析，利用智能化技术创新阅读推广方式，强化对用户需求的感知度，将更好地提升图书馆服务价值。但随着数字图书馆存储资源的迅速增多，尤其是数字化信息的迅速增长，不仅对图书馆数据处理能力提出考验，也增加了用户获取感兴趣资源的难度。图书馆要提高海量资源的处理效率，将适宜的阅读内容推送给用户，实现资源推荐与用户需求的匹配，还需要探索建立阅读推荐模型，进而保障数据处理与推送的可靠性。而用户画像作为当今研究的热点之一，是将抽象的用户数据转化为具象实体的技术，为图书馆预测用户需求，实现精准信息推荐提供了新思路。笔者认为，将用户画像与智能推荐技术引入数字图书馆服务中，可有效掌握用户多样化的需求，建立智能阅读推荐模式，以便更好地提升阅读推荐服务效益。

1 数字图书馆阅读推荐服务与用户画像分析

1.1 阅读推荐服务

数字图书馆与传统图书馆的区别，就在于其能够突破时空限制，拓展资源存储空间，让用户足不出户就可以轻松获得即时信息。数字图书馆通过各种方式将阅读资源推荐给用户，并引导他们合理利用，就是阅读推荐[1]。在移动互联网环境下，数字化资源不断丰富，数字图书馆存储的资源更加多样，能够提供的服务内容也逐渐增多，如基于客户端、官网、微信等，向特定用户推荐阅读资源。数字图书馆阅读推荐属于主动服务，不需要用户自行检索，系统就可以直接将阅读资源推送至用户终端，通过智能代理方式减少信息冗余，提高服务水平，是当下流行的图书馆服务新模式。

1.2 用户需求特点

图书馆用户来自各行各业，专业背景、工作经历与阅读需求均有很多的差别，这就需要对用户进行合理分类，将具有相同爱好的用户聚集起来，方便阅读资源的推送。网络环境下信息来源增多，图书馆用户更加希望获得个性化内容，希望接收到的推荐内容具有真实性、权威性、可靠性。同时相较于传统的短信服务方式，基于移动APP的信息推送更受用户青睐，也成为图书馆开展移动阅读服务的新方式[2]。此外，并非所有用户都希望经常接收图书馆的推荐内容，过多的信息推送反而会招致反感，这也提醒数字图书馆要考虑推送频率问题。

1.3 用户画像的作用

用户画像是以大量用户真实数据设计的目标用户模型，是以多种方式获得用户特征信息，将抽象的用户数据具象化的方法。互联网环境下每时每刻都在产生用户数据，采用数据挖掘、关联分析等技术，对用户标签进行描述与抽取，从行为习惯、社会属性等角度勾勒用户画像，本身也是给用户“贴标签”的过程。用户画像技术的应用，可以将用户的行为、特征与需求关联起来，让服务者将焦点放在目标用户的动机上，进而设计更有针对性的服务产品。用户画像在数字图书馆中的应用，将帮助馆员挖掘潜在用户，掌握用户偏好，结合不同群体的特点定制合理的资源，实现精准化信息推送。

2 数字图书馆阅读推荐服务的常用推荐算法

推荐算法是建立推荐模型的基础，是数字图书馆保障阅读推荐可靠性、决定用户体验的重要方法。随着科学技术的进步，推荐算法的种类增多，成为实现个性化信息推送的关键，目前图书馆常用的推荐算法包括基于知识的推荐、基于内容的推荐、协同过滤推荐等。

2.1 基于知识的推荐

数字图书馆引入基于知识的推荐算法，实质上是通过分析特定应用场景，对目标群体的特征进行提取，建立能够描述整个推荐场景，涵盖目标对象、关联规则与对应关系的知识领域。基于知识的推荐强调深入分析服务项目的特点，并非依赖用户行为数据捕获与计算分析，而是一种信息过滤机制，是引导用户主动发现候选项中潜在的感兴趣内容，然后将这些内容主动推送至用户终端的个性化方法。该算法包括基于约束规则和基于实体推荐两类，均需要引导目标群体发现需求，然后根据需求设计推送方案[3]。若系统在一定时间内不能给出解决方案，则用户可以修改或提出新请求，并由系统再次进行计算处理。

2.2 基于内容的推荐

数字图书馆根据服务系统中既有的用户数据，找到与目标用户行为偏好对应的阅读资源，并主动推送给用户的方式，就是基于内容的推荐。这项技术是对信息过滤技术的拓展，涉及信息提取、过滤、文本处理等过程，以对服务项目的针对性分析制定推荐方案，不需要用户参与服务项目评价。基于内容的推荐融入了信息检索技术，在具体的服务场景中，数字图书馆选择的推荐项目，一般具有可以描述的属性，方便进行特征提取、相似度计算与关联分析。然后根据既往用户对项目的兴趣偏好，将感兴趣的用户提取出来，建立目标用户的兴趣模型，再通过该模型开展用户兴趣学习，以为不同的目标群体推送个性化的内容[4]。

2.3 协同过滤推荐

协同过滤算法的应用较为广泛，是利用集体智慧处理问题的方法[5]。协同过滤算法的应用分为离线过滤与在线协同两部分，其中离线过滤是去除与目标用户无关的信息，在线协同是结合用户兴趣模型实现主动推荐。数字图书馆利用协同过滤算法，可以找出兴趣爱好、价值观知识水平相近的用户，即根据不同用户的相似性与差异性，将偏好相似的用户分为一类，以用户聚类的方式实现主动推送服务。在大数据密集型系统中，仅依靠既往用户数据进行分析，很难保障最终的推荐效果。为此可以采用基于模型的信息推荐方法，在用户数据挖掘和机器学习基础上，借助混合搜索算法、贝叶斯分类算法等实现用户聚类，然后推送该群体感兴趣的内容。

3 基于用户画像的数字图书馆智能阅读推荐模式设计

数字图书馆要保障阅读推荐效果，笔者认为首先要建立用户画像，深入分析具有相似需求的群体，由系统调取合适的信息，借助智能推荐算法、智能代理等技术，提供有针对性的服务内容，由此设计的智能阅读推荐模式如图1所示。

图1 数字图书馆基于用户画像的智能阅读推荐模式

3.1 用户画像层

数字图书馆用户需求是动态变化的，智能阅读推荐模型的设计，需要结合每个用户的特征，建立对应的用户画像。用户画像层包括用户基本信息、行为数据、标签体系等。建立用户画像是动态采集信息，逐步分析数据与完善模型的过程，目的在于精确掌握用户特点，为每个用户贴上特有的标签[6]。图书馆员首先要采集系统中的用户基本信息，包括姓名、年龄、职业、学科背景等，然后对用户的浏览历史、阅读资源类型等数据进行采集，通过数据分类、关联等处理，了解用户的资源检索利用偏好，以及不同用户之间的交互关系，勾勒出用户画像。此外，该层要设计静态与动态相结合的信息采集方式，实现对用户信息的全程跟踪，并将所有信息纳入用户数据库。

3.2 技术层

数字图书馆结合用户画像模型，深入分析用户的个性化需求，要利用数据挖掘、机器学习等技术，然后从馆藏资源库、专业数据库与网络平台中调取资源，筛选、匹配符合用户需求的阅读资源。在这个过程中智能代理发挥着重要作用，这是一种能够自动感知、学习与推理，基于知识库训练主动表现出目标驱动行为，自行选择合适的时机提供服务的技术。智能代理是阅读推荐系统体现智能化的关键，能够实现动态的信息推送[7]。数字图书馆借助智能代理技术，可以主动跟踪用户数据，分析不同群体的潜在需求，建立用户需求的动态模型，并从馆藏资源与网络资源中通过迅速筛选、过滤、分析、匹配，将个性化阅读内容推送至用户终端。智能代理采用与其他实体交互信息的方式，以学习经验与知识为依据，保障阅读推荐的连续性与准确性，让每个用户拥有定制服务内容，基本模式如图2所示。

图2 数字图书馆阅读推荐服务的智能代理模式

3.3 应用层

应用层提供了多种形式的系统对外接口，方便用户接受、检索和查阅推送信息。在获取用户请求后，智能代理模块将主动检索匹配资源，并传输至应用层形成推荐清单。数字图书馆对应用层的功能设计，要做到简单、易用、操作性强，保障资源分类的合理性，服务界面的清晰性，便于用户自行选择。除了为用户推荐阅读内容外，还需要记录用户的浏览、下载、检索等数据，并反馈至智能代理系统进行深层分析[8]。数字图书馆可以借助网页、移动APP、短信等方式传递信息，推送丰富的服务内容，如最新书目清单、馆内活动通知等，设计用户评论、荐读设置等模块，便于用户在线发表评论，分享经验，也便于用户对感兴趣的内容、资源类型、接受频率进行修改，满足他们的动态需求。

4 数字图书馆智能阅读推荐服务的实现过程

结合上述模式，数字图书馆提供智能阅读推荐服务，需要经历数据采集、资源匹配、个性化推荐3个阶段，每个阶段都需要采用适宜的技术、方法和手段，切实满足用户的个性化阅读需求。

4.1 用户数据采集

在初始阶段，数字图书馆需借助智能阅读推荐系统，实现对用户特征信息的采集，对用户个体、用户群体、社会活动进行监测，从微观与宏观角度获得用户终端的场景信息。具体采集内容包括3个方面：一是以定时遍历的方式，在图书馆服务系统的空闲时段，对内网中的用户注册信息、图书借阅情况等静态数据进行采集，从中提取读者的特征信息；二是借助网络爬虫、网页抓取等技术，从图书馆官网、社交论坛等处，不定时采集用户数据，发现不同群体关注的热点内容；三是在图书馆服务系统更新时，主动对智能阅读推荐模型进行更新，并同步更新用户数据库。然后对用户数据进行梳理、分析，将多个异构数据源关联起来，建立可用的信息结构，将零散的数据连缀成用户场景信息，为智能推荐提供依据。

4.2 需求与资源匹配

智能阅读推荐是以用户画像为基础，确保用户需求与阅读资源有效匹配的过程。在这个过程中，数字图书馆首先要进行读者群体聚类，根据用户信息采集结果，从读者年龄、专业背景、阅读偏好等角度，做好用户需求分类，并结合多方采集的用户详细信息，对用户需求细节进行勾勒。然后向数据库管理模块提出匹配请求，自动检索符合条件的资源，将异构数据处理结果变为推荐数据集。智能推荐模型也可以根据活跃度较高的群体需求，主动将匹配度高的阅读资源检索出来，或借助隐语义模型、协同过滤算法等，调取与用户需求匹配度高的资源。当某个用户产生阅读需求后，系统会根据采集信息建立临时的用户场景视图，主动实现数据库信息与用户需求的匹配，提高对用户需求的响应效率。

4.3 个性化资源推荐

智能推荐模型在获得用户需求匹配数据集后，采用推荐式发布的方式，满足特定群体的需求。当用户登录数字图书馆后，该模型会自动以滚动播放、信息弹窗等方式，在线为他们推送感兴趣的内容。若用户未进入图书馆系统，则采用短信、新媒体平台、电子邮件推荐等方式。数字图书馆的阅读推荐，可采用本体概念来描述读者的特征，将需求相似的用户聚合起来，为他们推荐个性化内容。物联网、射频识别等技术的应用，让数字图书馆可以随时采集、感知用户信息，以后台分析的方式判断用户阅读偏好，为不同的群体标注对应的标签，由推荐系统实时提供移动阅读服务。例如，武汉大学图书馆建立“移动图书馆”，根据用户需求在线推送新书清单、优质书评等内容，读者只需登录手机客户端，就可以享受个性化推荐内容。沈阳工业大学设计基于用户画像的图书推荐APP，根据用户的阅读习惯进行数据挖掘，为他们推荐有价值的书籍。

5 结语

随着信息技术的进步，数字图书馆得以不断普及与完善，存储的阅读资源日益丰富，为广大用户获取信息提供了便利。然而要想满足用户的个性化需求，数字图书馆必须准确把握用户特点，主动推送用户感兴趣的内容。数字图书馆有必要引入用户画像，确立科学的目标与规划，建立智能阅读推荐模型，结合多种推荐算法与智能技术，全方位提取用户特征信息，掌握用户需求动态变化，提高阅读推荐的资源匹配精准度。