学术文献引文推荐研究进展

[目的/意义]学术文献引文推荐是指对于给定的学术文献,自动化地为其推荐合适的引文和参考文献。借助于引文推荐,用户可以在一定程度上提高撰写学术文献的效率,降低对重要相关文献的漏引。[方法/过程]分析国内外引文推荐研究的最新进展,阐述引文推荐问题的演化过程,从局部引文推荐和全局引文推荐等方面对引文推荐进行梳理,重点归纳文档相似性、主题模型、翻译模型、协同过滤和混合推荐等5种引文推荐常用方法,并总结引文推荐常用数据集和测评方法。[结果/结论]已有引文推荐研究的主要问题在于未考虑用户偏好的动态变化性及研究领域的综合性,在用户研究和实际应用方面仍有所欠缺;未来引文推荐的研究可运用语义化表达方法和自然语言生成技术,从基于上下文的引文推荐和跨语言引文推荐等方面进行展开。     

一种集成客户终身价值与协同过滤的推荐方法

提出一种加权RFM与协同过滤相结合的集成推荐方法,对由"Web数据挖掘"隐式收集的客户评价数据进行协同过滤处理,应用加权RFM对相似用户聚类结果加以改进,从而更有效地发现推荐规则,提高推荐质量。同时应用产品分类树(PT)对产品进行预处理,以减少计算空间的复杂度。实验评价结果表明该方法无论在推荐精度还是推荐相关性上都更为有效。     

一种融合情境因素的社会化信息推荐新方法

[目的/意义] 针对目前融合情境因素的信息推荐方法大都存在推荐前的情境过滤(pre-filtering)和推荐后的情境过滤(post-filtering)所导致的价值信息流失问题,将情境因素融入到推荐过程中,实现基于用户-资源-情境的多维推荐。[方法/过程] 将情境因素融入推荐的过程中,动态挖掘在不同情境下用户兴趣的偏好,利用社会网络的相关指标赋予用户兴趣初始值,从空间距离的视角计算用户兴趣的权重,最后,借鉴内容过滤和协同推荐的思想实现用户的评分预测,进而按照用户的兴趣进行推荐。[结果/结论] 与以往二维推荐的实验比较表明,将情境因素融入到推荐过程中的方法在减少价值流失的基础上,能更为准确地揭示用户的兴趣,提高推荐质量,为存在社会关系的社会化媒体推荐服务提供借鉴。     

一种改进的协同过滤方法在高校图书馆图书推荐中的应用

[目的/意义] 为解决高校图书推荐过程中面临的“数据稀疏”和“冷启动”问题,研究表明：优化读者评价矩阵和相似度模型是提高图书推荐质量的关键。[方法/过程] 提出一种协同过滤改进方法,以图书分类为项目生成用户评价矩阵,并考虑借阅方式、借阅时间和图书相似度对用户兴趣度的影响,优化矩阵中的样本数据;同时,在计算读者相似度时融入读者特征和图书特征。[结果/结论] 实验结果表明,该方法可有效解决“数据稀疏”和“冷启动”问题,显著降低计算量。与基本协同过滤和聚类改进的协同过滤方法相比,无论是在推荐准确率还是在用户满意率上都有较大的提高,综合推荐效果更好。     

基于改进内容过滤算法的高校图书馆文献资源个性化推荐研究

[目的/意义]基于内容的过滤推荐中,针对向量空间模型表示文本时容易造成维度灾难的问题,提出利用余弦值r与匹配度值Sim相结合的方法对原有模型进行改进。[方法/过程]由文献资源和用户兴趣分别筛选出权重较大特征词的词向量,进而由公式计算余弦值r,结合对应的特征词权重进一步计算出匹配度值Sim,将其作为向目标用户推荐文献的依据,并利用河北工业大学图书馆的相关数据对改进模型、向量空间模型及LDA主题模型进行实验,最后利用查准率、召回率、F1值及运行时间等评价指标对3种模型的实验结果进行分析。[结果/结论]实验结果表明所提出的改进模型相比较于实验中的向量空间模型与LDA主题模型具有更高的应用价值与运行效率。     

基于LDA主题模型的标签混合推荐研究

[目的/意义]针对目前使用标签推荐方法所得结果不理想的问题,改进传统相似度计算方式,并结合多种标签推荐方法,提高推荐准确性。[方法/过程]融合基于内容与协同过滤的推荐思想,利用LDA进行相似度计算得出资源与用户的近邻集合,并抽取资源内容关键词,以此构建标签混合推荐模型,最后以"豆瓣读书"为例对模型进行验证,同时与几种标签推荐方法进行比较。[结果/结论]在社会标注系统中,必须考虑用户-资源-标签3个维度,仅考虑单一角度势必会造成结果的不完整,同时在相似度计算时引入LDA能够挖掘潜在语义关系,提高推荐质量,且组合多种方法取长补短可以令推荐结果更为满意。     

景点文化资源标签自动生成与应用研究

[目的/意义]为旅游景点生成高质量的文化资源标签,解决文化旅游服务中信息检索困难、推荐形式单一的问题。[方法/过程]首先,设计包含显式和隐式两种标签类型的文化资源标签体系;然后,提出基于特征词筛选和噪声词过滤的显式标签生成方法,以及设计隐式标签中文化感知强度和文化感知相似度的计算方法,并基于以上方法生成景点文化资源标签;最后,针对旅游信息服务中的不同场景,提出基于文化资源标签的检索和推荐方法。[结果/结论]以武汉市的真实旅游数据为例进行实证研究,结果表明,基于本文方法生成的标签能够准确刻画景点的文化资源特征,基于标签的检索和推荐方法均具备较强的可解释性,可有效提升信息服务的透明度和用户对结果的信任度,对其他领域的推荐解释性研究具有参考价值。     

主题-时序视域下中国图书馆学会年会主题分布及演化分析

[目的/意义]从主题时序视角出发，以中国图书馆学会年会主题和年会论文集题录为研究样本，进行相关主题词的分布和演化分析，梳理中国图书馆界近十年来理论与实践发展脉络。[方法/过程]获取2007-2017年间中国图书馆学会年会的相关主题词，从中选择高频词，利用Excel构造主题词共词矩阵，利用Ucinet和SPSS工具进行主题词静态分布分析，结合"流行研究热点权值（PRHW）"指标对主题词进行动态演化分析。通过词频、中心性、聚类对比分析相关主题词的静态分布特征；通过词频时序和共词时序分析主题词的动态演化特征，并采用PRHW指标进行识别和演绎；从7个类团中抽取两个典型主题词构筑全主题词的共词时序网络。[结果/结论]相关主题词的静态分布特征表现为：年会主题词和论文集主题词高频词一致性较好，论文主题词更微观具体；二者都不具备显著的中心性；聚类结果根据相近原则归并出7个具体类团。主题词的动态演化特征表现为：分长期关注、早期关注、近来关注上升和近来关注下降四类，相关主题的微观演化特征得到了精细化呈现。     

医学信息资源个性化服务推荐系统设计与实施

本文针对医学信息资源的特点，设计了一种新型的主题词概念分层协同过滤算法，从而构建了一个医学信息资源推荐模型系统MedPRS。通过初步测试，证明其显著提高了推荐的质量。     

基于用户兴趣度量的知识发现服务精准推荐

[目的/意义]针对当前知识发现服务中存在的个性化程度不高和推荐效果不佳等问题，提出一种基于用户兴趣度量和内容分析的推荐算法。[方法/过程]文章通过特征词分布、LDA主题分布、引文结构网络三个维度构建学术资源模型，并通过对用户行为的度量，计算用户对其浏览学术资源的兴趣度，结合学术资源模型构建用户兴趣模型。将用户兴趣模型与学术资源模型匹配，计算其相似度，得到用户对每条学术资源的兴趣值，最后将兴趣值最高的TOP-N学术资源推荐给用户。[结果/结论]通过实验检验算法的有效性和推荐准确率，结果显示，本文从实时动态度量兴趣的角度，提出的推荐算法能较好地预测用户兴趣，推荐效果显著，为实现发现服务精准推荐提供思路。     

基于LDA的科技创新主题语义识别研究

[目的/意义] 由于传统科技创新主题概率识别方法忽略文本内容语义理解,为了更加准确地识别出主题,科技创新主题语义识别势在必行。[方法/过程] 提出一种基于LDA的科技创新主题语义识别方法,利用语义角色标注技术对科技文献中的科技创新内容进行语义标引,构建LDA主题语义识别模型,根据表征科技创新内容的关键词语义角色对应的上位词的概率识别出科技创新主题。[结果/结论] 通过以3D打印领域数据为对象进行实验,证明该方法能够更加准确地识别出科技创新主题,形成科技创新主题-主题词-科技文献的混合分布聚类集群,减少研究背景等无关数据干扰,避免语义含义相同的科技创新主题词重复统计问题。     

基于多源数据的智慧城市数据融合框架

[目的/意义]如何有效地实现对智慧城市中多源异构数据融合，是智慧城市必须要解决的核心问题。[方法/过程]在界定城市数据资源体系基础上，提出面向语义的元数据模型，结合用户需求分类，构建基于多源数据的智慧城市数据融合框架。[结果/结论]以智慧城市数据运营中心为依托，提出面向智慧城市的用户数据服务推荐实现路径；最后提出智慧城市数据融合的发展建议：完善智慧城市多源数据融合标准；积极制定数据开放政策；探讨个人数据采集与存储保护方案。     

数字图书馆推荐系统协同过滤算法改进及实证分析

[目的/意义] 为了提高传统协同过滤算法的计算速度,解决目标用户随着时间推移发生兴趣偏移而导致推荐系统质量下降的问题,以期进一步提升推荐系统运行效率和推荐质量。[方法/过程] 提出预先计算用户相似度算法和引入时间评分权重计算相似度矩阵的两种算法的改进,并利用Hadoop平台实证分析改进后的算法。[结果/结论] 实验结果证明：预先计算用户相似度算法缩短了对读者推送相关信息的时间,从而有效地提升了计算速度;引入时间评分权重计算相似度矩阵大大降低了MAE值,从而提高了推荐质量,两种算法同时应用后推荐系统在计算速度、准确率和新颖性方面都有显著提升。     

融合多元网络与网络表示学习的科研合作者推荐研究

[目的/意义]融合多元网络和网络表示学习方法学习并发现作者间的关联性,能够更好地进行合作者推荐。[方法/过程]文章首先搜集情报学领域相关文献数据作为原始数据集,在经过数据清洗后,根据作者间的多元关系构建各信息实体的多个科研信息网络,然后对高维网络利用Node2vec网络表示学习方法学习各节点的信息,从而得到各网络中节点的向量表示。其次,通过余弦相似度计算各网络中的作者相似度。最后融合作者间机构合作偏好和作者学术水平相似度得到最终的推荐结果。[结果/结论]文章提出的融合模型考虑了多元网络和数据稀疏性,在AUC值上的表现优于单一维度,得到了更好的合作预测效果。实验结果表明,该合作者推荐模型在情报学领域作者合作者推荐中具有可行性。     

基于共现词分析的专业科技信息平台用户画像主题标注方法改进

在海量信息的背景下,用户画像是实现对用户精准推荐服务的有效工具。科技信息用户画像的关键环节是根据用户关注的文献信息进行主题词抽取。文献主题词抽取的质量直接影响用户画像以及基于用户画像的内容推荐的精准度。鉴于目前常用的文献主题词抽取方法存在高维特征表征稀疏、泛化能力差、易用性受限等问题,提出基于文本共现词分析与TextRank算法的主题特征抽取方法。用该方法对农业科技信息平台用户关注和浏览的文献数据进行主题抽取,将获得的核心特征词作为用户画像的标注主题词,并据此构建用户主题推荐表达式进行文献推荐效果验证。结果显示,采用该方法的文献推荐准确率为93.3%,显著优于高频词法（70.4%）、共现词分析法（74.1%）和TextRank算法（77.8%）,表明改进的文献主题词抽取方法在农业信息用户画像及信息推荐服务中具有很好的应用前景。     

我国学术数据库协同过滤资源推荐研究现状探讨

通过分析2003年至2016年中国知网发表的"图书情报与数字图书馆"领域关于协同过滤推荐的82篇文献,总结我国学术数据库协同过滤资源推荐的研究现状.通过对文献样本进行分类,发现目前该领域的研究重点主要集中于对学术数据库协同过滤推荐的推广和对推荐算法本身的完善两个方面,且后者主要集中于对数据稀疏性问题和可扩展性问题的解决.通过进一步分析,发现国内研究人员主要通过结合基于内容的推荐、空值填补和推荐结果融合三种方法缓解数据稀疏性问题;通过聚类的方法缓解可扩展性问题.     

异质网络资源多维度推荐模式研究——以豆瓣网为例

[目的/意义]针对某些包含多级用户和多级资源的异质网络,在总结其各种异质模态的基础上提出一种多维度推荐框架MDRM,向目标用户进行好友和资源的推荐。[方法/过程]通过对用户、资源划分等级,在分析各种网络模态的基础上建立其异质关系;利用情感倾向分析得到二级用户——二级资源评分矩阵,借助协同过滤算法,实现同级用户和二级资源的推荐;基于异质关系,实现一级用户和一级资源的推荐,最终实现多维度推荐。[结果/结论]在以豆瓣网数据作为数据集的实验中取得了较好的效果,说明MDRM模型适合某些异质网络资源的推荐。     

知识找回场景下推荐系统模拟实现及评价研究

[目的/意义]信息过载一直是知识工作者在搜集、处理和创造知识的过程中所面临的主要困境。这种困境导致的结果之一是很难回忆起曾经使用过的文档的内容细节及具体位置，而推荐系统则能减少这样的困难。通过研究对比不同推荐系统在这一任务下的优缺点，可以帮助知识工作者更好地完成回忆任务。[方法/过程]基于相关理论，在同一场景（知识找回）模拟实现并测试了4种不同类型的推荐过程，包括基于内容的推荐CBR、基于协同过滤的推荐CFR、基于推理网络的推荐INR与融入了情境感知的推荐CAS，根据所确定的若干指标（精确性、情境相关性、预测性、多样性）对推荐效果进行比较。[结果/结论]结果显示，以上推荐系统在帮助用户回忆并找回文档过程中都有各自的优势，而基于情境感知的推荐系统在情境相关性与预测用户行为方面具有较好的效果。     

面向摘要结构功能划分的模型性能比较研究

[目的/意义]摘要作为学术论文中能够简明扼要地说明研究目的、研究方法和最终结论的陈述部分,具有较高的探究价值和意义。[方法/过程]选取长短期记忆网络（Long Short-Term Memory）、支持向量机（Support Vector Machine）、LSTM-CRF和CNN-CRF 4种模型,对3 672篇情报学领域的期刊论文进行摘要划分识别研究。[结果/结论]长短期记忆网络模型识别F值最高为69.15%,LSTM-CRF神经网络模型最高F值为88.76%,RNN-CRF模型最高F值达到89.10%,支持向量机分类器分类宏观F值最高为72.04%。该实验结果对图书情报领域的学术论文结构功能划分实验模型选取有较高的参考价值。     

基于认知升级理论的高校图书馆智慧推荐服务研究

[目的/意义]将认知升级理论融入图书馆智慧推荐服务中,以实现知以藏往、见贤思齐的智慧化推荐服务。[方法/过程]首先,从兴趣热度、内容质量评价和专指度3个指标入手,构建图书馆智慧推荐系统的指标体系;其次,基于认知升级理论,将用户分为“前辈”和“后辈”,通过改进协同过滤推荐算法计算用户相似度,将“前辈”的成功学习路径推荐给相似的后辈;最后,利用精准率、召回率、AUC、MMR、F1值等指标对离线实验和在线实验结果进行检验。[结果/结论]实验结果表明,改进后的智慧推荐算法相比传统协同过滤算法的实现效果有明显提高;对比离线实验和在线实验结果发现,在线实验的推荐效果显著提升,意味着若将基于认知升级理论的智慧推荐服务加以推广,将会对高校学生的专业素质培养和认知层次升级产生积极影响。