推薦系統的發展與公共圖書館個性化信息服務探討

阮光冊　夏　磊（.華東師范大學　上?！?04；.上海圖書館　上?！?003）

?

推薦系統的發展與公共圖書館個性化信息服務探討

阮光冊1夏磊2
（1.華東師范大學上海200241；2.上海圖書館上海200031）

〔摘要〕文章探討了推薦系統的發展，對目前國內外圖書館推薦系統發展的情況進行了總結，并對公共圖書館運用推薦系統為讀者提供個性化信息服務提出了一些思考，以期為公共圖書館的數字化服務提供理論借鑒。

〔關鍵詞〕推薦系統數字圖書館公共圖書館個性化信息服務

〔分類號〕G252

〔引用文本格式〕阮光冊，夏磊.推薦系統的發展與公共圖書館個性化信息服務探討[J].圖書館，2016（2）：94-99

信息資源的迅速增長，給人們帶來了“信息過載”問題[1]。雖然搜索引擎、門戶網站、專業化的數據庫可以為用戶提供過濾信息，但是無法提供個性化的信息服務。推薦系統（recommender system）的本質是“信息發現”，被認為是解決當前信息超載問題非常有潛力的方法。推薦系統通過挖掘用戶與對象之間（user-item）的二元關系，從大量數據中發現用戶可能感興趣的項目，并生成推薦列表以滿足用戶個性化需求。

2008年，中國圖書館學會年會頒發的《圖書館服務宣言》中明確提出，要保障全體社會成員普遍均等地享有圖書館服務。2012年《公共圖書館服務規范》中，也明確指出：公共圖書館服務對象包括所有公眾。如何保證讓全社會成員普遍均等地享有圖書館服務呢？筆者認為，公共圖書館從傳統服務向數字服務轉型將是必經之路，而數字服務的優劣將直接影響到讀者對圖書館服務的滿意度。我國公共圖書館數字化服務開始于國家圖書館“數字圖書館實驗演示系統”的開發[2]，經過近20年的發展，公共圖書館數字資源建設頗具成效。以上海圖書館為例，截至2014年底，共建設電子圖書近30萬種，電子期刊近1500種，電子報紙500余種，網絡文學10000多種。

1　推薦系統概述

推薦系統的發展歷經近 20 年的時間，但是迄今為止仍沒有一個精確的定義。推薦系統作為一個獨立的研究方向一般被認為始于1994 年明尼蘇達大學GroupLens 研究組推出的 GroupLens 系統[3]，該研究小組提出了推薦系統算法的同時，建立了推薦系統的一般模型，引領了未來十幾年推薦系統的發展。目前，推薦系統涵蓋了信息檢索[4]、認知科學、管理科學[5]等眾多的研究領域。

推薦系統的一般結構包括對象、用戶、推薦算法三個要素[6]。推薦形式基本有兩種：①系統采集用戶信息和對象數據進行計算，建立模型向用戶推薦；②用戶向系統提供個人的相關信息并提出推薦請求，根據用戶的相關信息系統進行計算得到推薦結果。推薦算法研究的中心問題是效用函數的計算，目前各類推薦系統均采用了不同的策略，設計不同的效用函數實現用戶的信息推薦。推薦的算法是推薦系統的核心，算法的好壞決定了推薦系統類型和性能的優劣。目前常用的推薦算法有基于內容的推薦[4, 7, 8]、協同過濾的推薦[9-11]、組合推薦[12-14]、基于知識的推薦[15, 16]、基于上下文的推薦等。

隨著社會化媒體的廣泛應用和社交網絡的快速發展，以SNS、Blog、 Mini-blog、IM、Email等一系列互聯網信息傳播工具為載體，巨大的信息量和復雜的社會網絡關系為推薦技術的發展帶來了新的研究方向——社交網絡推薦。社交網絡可獲取的數據豐富多樣，包括社會化標簽和社交關系等，這使得社交網絡的推薦模式不再是單一形式，除了一般的信息推薦，還包括組（一群用戶）的推薦。

隨著移動互聯網的飛速發展，移動網絡與計算機網絡逐漸實現了融合，這種趨勢使得互聯網信息服務得到了延伸。移動推薦系統大多與用戶的上下文環境密切相關[17]，即用戶在不同的時間[18]、地點[19, 20]、環境[21]下的個性化需求是不相同的。移動推薦目前已經取得了一定的研究成果。在新聞推薦領域、在線音樂[22]、在線視頻[23]等方面獲得了應用。此外，還有研究者通過獲取Wikipedia上的知識來實現移動推薦[24]。

推薦系統的核心目標是“信息發現”，要完成這一目標需要具體解決預測和推薦兩個主要問題。預測要解決用戶（User）對每一個對象（Item）的喜好程度，常用的方法是從用戶的歷史信息來進行計算或構建用戶的特征模型，以此來分析用戶的行為和興趣。預測的結果越準確，推薦的結果也將越精確。目前的很多研究都集中在預測環節，絕大多數研究都把精力放在如何構建推薦算法方面，希望推薦系統達到最佳的預測“準確度（accuracy）”[24-26]。推薦系統的預測準確度當然是評估的重要指標，但是“準確度”不是唯一的標準。目前，推薦結果的多樣性[27]、推薦界面的設計[28]等也受到越來越多的關注。

2　國內外圖書館推薦系統的應用

隨著信息技術和搜索引擎的發展，圖書館傳統信息服務方式已漸漸不能滿足讀者個性化信息需求，正如美國圖書館學家羅伯特·奧里森所說：“如果圖書館在信息社會里沒有競爭力，那么它將被新的信息機構所取代”。20世紀90 年代末，美國和英國圖書館開始對數字圖書館個性化服務系統進行開發和設計，并取得初步成果。1997年，MyLibrary系統開始在美國投入使用，該系統是站在圖書館的立場尋找一種個性化的視角，以解決信息過載和管理負擔過重的問題，其后英、法、日、德、意等國也開始了這方面的研究。2010年謝菲爾德大學聯合OCLC，開發基于用戶要求與偏好的圖書館目錄推薦系統[29]。目前，國外主要圖書館推薦系統、推薦算法、研究機構如表1所示。

表1　國外主要圖書館推薦系統應用

基于圖表的數字圖書館推薦系統協同過濾與基于內容的混合推薦系統　美國Arizona大學圖書館SERF系統　系統過濾　美國俄勒岡州立大學圖書館Mevy　基于流通數據　加州大學圖書館

相對于國外圖書館推薦系統，國內圖書館個性化服務開始于1999年底國家科技部扶持的“中國數字圖書館示范系統”。2001年，我國開始了圖書館個性化信息服務的研究和應用。中國科學院國家科學數字圖書館根據北卡羅林那州立大學的MyLibrary系統成功開發了“我的數字圖書館”（MyLibrary）。

國內圖書館近幾年在推薦系統中的取得了一些成果，如上海圖書館在“MyLibrary”系統中增加了暢銷書推薦的功能。但依然有一些問題阻礙圖書館推薦系統的發展：

（1）資源特征描述存在困難

資源的特征描述與用戶興趣的匹配是推薦系統的主要工作，決定了推薦效果的好壞。然而，一些數字資源在特征描述上存在困難，如：老唱片等影像資料。

（2）獲取信息不完全

圖書館在收集用戶的興趣特征時存在一定難度，由于很多圖書資源缺少用戶的評價，導致相似用戶計算不夠準確，因此在基于協同推薦算法中系統很難實施有效的推薦。

（3）缺乏信息的深度挖掘

圖書館的推薦系統缺乏對用戶興趣的全面分析，在構建用戶模型方面也僅僅通過流通數據來完成，因此在針對不同用戶時無法提供有差別的服務。

（4）提供的信息服務缺乏有效的服務集成

很多圖書館的個性化服務系統沒有能夠集成諸如在線參考咨詢和全文文獻傳遞等服務項目，由于缺乏有效的服務集成，因此很難提供定制推薦的服務。

3　公共圖書館提供個性化數字服務的思考

信息化時代，公共圖書館要將館員-讀者-資源這三要素有機的結合，為讀者（到館與非到館）提供更有價值的個性化信息服務。現借鑒推薦系統的發展，提出如下思考。

3.1流通數據的“長尾”效應

信息時代，圖書館館員除了是信息提供者外，還需具備信息挖掘的能力。流通數據是圖書館傳統服務中最寶貴的財富。如2014年，上海市中心圖書館圖書流通量超過5800萬冊。在圖書借閱、信息推薦過程中，館員需要向讀者推薦他們感興趣的讀物，然而，不能只推薦流行的讀物，這樣對讀者的體驗并不好。因為讀者很可能已經知道這些熱銷流行的讀物，讀者也不會認同這是一種“個性化”的數字服務。圖書館的個性化服務如果能夠有更多推薦的類型，那么將大大激發讀者對館藏資源的使用興趣。

OCLC 副主席 Lorcan Dempsey說：圖書館集聚了研究、學習和文化資源的長尾，我們需要做更多的工作來確保這一長尾能直接有效地提高我們的讀者的工作和生活[30]。在電子商務領域，已經有推薦系統開始關注商品的長尾理論[31]，研究將不是最熱門的商品推薦給用戶。如在亞馬遜網絡書店，管理人員將眾多的圖書賦予類型和關鍵詞等特性，用戶也可以貼上標簽，這樣為找到非熱門讀物提供了可能。Google則打破分類的概念，給用戶提供足夠廣的選擇空間，讓用戶在信息中找到自己所需。圖書館在個性化服務過程中，應該開發利用80%沒有被讀者“發現”的長尾資源，使讀者能在海量館藏資源中找到所需信息。目前，已有國外學者在查詢推薦的長尾理論方面進行了研究[32]，以提高Web搜索的效率。隨著互聯網應用的普及和深入，長尾理論的影響還在進一步深入，公共圖書館應該在個性化服務中借鑒該理論，對海量流通數據進行分析，為讀者提供更加個性化的閱讀推薦。

3.2結合社交平臺數據的個性化推薦服務

圖書館對社交網絡服務 (SNS)的研究已經取得了一定的成果，利用社交網絡開展信息服務的圖書館也較多，通過社交網絡平臺，圖書館可以發布諸如：圖書館活動、講座培訓信息、新書通報、好書推薦、以及虛擬參考咨詢服務等。已有文獻[33， 34]描述了圖書館如何通過社交網絡拓展服務的方法，如：為圖書館添加標簽、為圖書館編輯條目、介紹圖書館員、圖書館導航、讓用戶提供個人信息（文本、圖片）等，通過這些方式實現社交網絡在圖書館中的應用。此外，在一些研究中[35]也探討了如何通過用戶在社交媒體上的交流來了解讀者對信息需求的動態，并提醒圖書館員關注那些平時無法得到的信息。

雖然圖書館在社交網絡中有一定的應用，但是將圖書館個性化推薦與社交網絡結合還沒有更多的研究。由于社會化網絡中存在傳遞性、“小世界”效應、社區結構等特性[35]，因此，合理利用社交網絡將有助于提高圖書館推薦系統的準確度。有研究發現，通過社會關系的分析，將大幅提高科研文獻的推薦準確度[36]。

在圖書館的虛擬參考服務中，很多圖書館根據讀者咨詢的問題，已經建設了相關的知識庫。如果能將這些知識庫信息和推薦系統相結合，根據讀者的咨詢問題，利用推薦系統向讀者提供其所需要的信息，將大大滿足讀者的個性化需求。

3.3移動個性化推薦服務的研究

隨著智能移動設備的普及，信息資源的獲取變得更加方便，逐漸成為人們獲取信息的重要平臺。借助手機、PDA等移動終端，讀者可以隨時隨地訪問圖書館資源、閱讀電子書、查詢書目并接收圖書館服務。2010年OCLC組織專題討論“圖書館的未來是移動，你準備好了嗎？”（The Future is Mobile. Is Your Library Ready?）。2014年，IFLA在其研討會“全球數字化的背景下公共圖書館的未來”（Public Library Futures In A Global Digital World）中，也討論了公共圖書館移動服務的問題。目前，借助移動技術來促進圖書館服務已成為公共圖書館發展的契機。美國移動圖書館服務普及率相當高，僅高校圖書館的移動圖書館服務普及率就已經達到很高的比率[37]。我國自2003 年起陸續推行此項服務，目前已取得一定的成果。近幾年，很多公共圖書館相繼開展了微博、微信等移動服務。上海圖書館近幾年來，已經推出了很多基于手機和平板終端的APP應用，更是自主研發了“愛悅讀”數字閱讀自助機，為讀者提供在線閱讀、圖書下載的智能移動閱讀服務。

移動推薦是近幾年新興的研究領域[38， 39]。由于移動用戶的移動特性，可以隨時通過移動通信終端接入網絡，位置和時間成為推薦系統的一個重要上下文感知信息，使得信息推送更及時和有針對性[40]。圖書館推薦系統可以借鑒移動推薦的技術來分析讀者短期和長期的興趣，進而改進推薦效果，達到優化館藏資源的目的。例如，通過移動設備當發現某讀者在不同地點訪問時，便可推薦其所在區域圖書館的特色資源等。

3.4優化用戶體驗

有的圖書館已經有了很好的技術、服務和資源，但因為缺乏良好的用戶體驗，所以不能吸引更多的讀者利用圖書館資源，尤其是圖書館的電子資源。用戶體驗是衡量圖書館推薦系統的重要評價指標。好的用戶體驗不僅能使用戶印象深刻，還能促使其與其他用戶進行分享，提高推薦系統的粘性。個性化推薦結果的解釋是用戶體驗的一個方面，用戶在使用個性化推薦系統時，更希望了解系統如何給出的推薦結果，這對用戶的體驗非常重要[41]。亞馬遜書店在商品推薦后會發送電子郵件告訴用戶之所以向其推薦某書，是因為用戶以前的購書行為進行的預測[42]。新浪微博、Google Reader也有類似的推薦解釋。實際應用中，推薦系統的輸出數據是一個結果列表，為了提高用戶的體驗，這張列表可以包含相關的解釋信息，如：借過讀過什么（歷史的借閱數據）、瀏覽過什么（行為數據）、猜你可能喜歡什么（個性化預測）、個性化熱門推薦（個性化的流行讀物）等，每一類信息都有特定的解釋，而不是簡單的列表，這樣為讀者提供的體驗將會非常不同。

良好的用戶界面設計也能提高用戶的體驗，如，推薦結果在頁面的位置也會給讀者帶來不同的感受。然而，對于用戶界面設計，很難用理論模型和量化的方式解決。好的界面設計能夠提高用戶體驗，但用戶界面設計的準則可能大不相同，建立一個可以進行A/B測試的系統，將有助于積累重要的實驗數據，為提供用戶體驗感覺提供理論依據。

在移動技術、電子商務技術飛速發展的今天，圖書館的讀者可能會要求圖書館像商業機構一樣提供卓越的用戶體驗，一旦他們覺得圖書館的服務無法達到他們的體驗要求時，可能就不再愿意利用圖書館的資源了。因此卓越的用戶體驗對圖書館服務讀者（尤其是非到館讀者）至關重要。

3.5個性化推薦和資源發現系統的有效結合

2009年1月的ALA( American Library Association)年會上，Series Solution 公司宣布即將發布全球第一個網絡級資源發現系統——Summon，資源發現系統作為全新的學術信息發現工具引起了全球圖書館的關注。資源發現系統以“簡單、快速、易用、有效”的檢索體驗，顛覆了傳統的圖書館整合檢索系統所帶給用戶的感受。目前，全球采用各類資源發現系統的圖書館及其他信息機構的數量已超過1300 家。就國內而言，很多高校圖書館和公共圖書館這幾年也都紛紛開始了資源發現系統的研究和實踐。

資源發現系統可以通過對海量數據的分析，揭示出隱含的、有潛在價值的信息和知識。面對海量的數據集合，覆蓋多個學科、跨越十年甚至幾十年的學術出版物可以帶給我們許多新鮮的發現，基于特定需求分析海量數據，可以得到信息之間的關聯和學術發展趨勢。這將使得圖書館為教學科研提供細顆粒度的、高度粘合和個性化的服務成為可能，同時賦予這個海量數據無窮的活力[43]。

4　結語

推薦系統是解決信息過載的有效方案，可以為用戶提供個性化的信息服務。隨著需求信息多元化時代的到來，公共圖書館如何將數字化資源推薦給到館和非到館的讀者，是促進圖書館個性化數字服務的發展目標。雖然圖書館推薦系統已有一定的應用，但是也存在一些問題，文章分析了推薦系統的發展現狀，結合公共圖書館的現狀，對圖書館個性化數字服務進行了思考，以期為我國公共圖書館的數字化服務提供理論借鑒。

（來稿時間：2015年7月）

參考文獻：

1. Lazer D., Pentland A., Adamie L, etal. Computational social science [J]. Science, 2009, 323：721-723

2. 趙紅杰.試論我國檔案館、圖書館、博物館的協作與共建[D].武漢：湖北大學碩士論文， 2009

3. P. Resnick, N. Iacovou, etc. “GroupLens: An Open Architecture for Collaborative Filtering of Netnews”, Proceedings of ACM Conference on Computer Supported Cooperative Work[J]. CSCW， 1994：175-186

4. Baeza-Yates R, Ribeiro-Neto B. Modern Information Retrieval[M]. New York: Addison-Wesley Publishing Co., 1999

5. Murthi BPS, Sarkar S. The role of the management sciences in research on personalization[J]. Management Science, 2003, 49 （10）：1344-1362

6. Resnick P, Varian HR. Recommender systems [J]. Communications of the ACM, 1997, 40（3）：56-58

7. Somlo G, Howe A. Adaptive lightweight text filtering. In: Proc. of the 4th Int’l Symp. on Intelligent Data Analysis[M]. Berlin, Heidelberg: Springer-Verlag, 2001：319-329

8. Zhang Y, Callan J, Minka T. Novelty and redundancy detection in adaptive filtering. In: Proc. of the 25th Annual Int’l ACM SIGIR Conf[M]. New York: ACM Press, 2002：81-88

9. Breese JS, Heckerman D, Kadie C. Empirical analysis of predictive algorithms for collaborative filtering. Technical Report, MSR-TR-98-12[R]. Redmond: Microsoft Research, 1998

10. Hofmann T. Collaborative filtering via Gaussian probabilistic latent semantic analysis. In: Proc. of the 26th Int’l ACM SIGIR Conf[M]. New York: ACM Press, 2003：259-266

11. Marlin B. Modeling user rating profiles for collaborative filtering. In: Proc. of the 17th Annual Conf. on Neural Information Processing Systems[M]. Cambridge: MIT Press, 2003：627-634

12. Balabanovic M, Shoham Y. Fab: Content-Based, collaborative recommendation[J]. Communications of the ACM, 1997, 40（3）：66-72

13. Basu C, Hirsh H, Cohen W. Recommendation as classification: Using social and content-based information in recommendation[M]. In: Proc. of the AAAI’98. Menlo Park: AAAI Press， 1998：714-720

14. Melville P, Mooney RJ, Nagarajan R. Content-Boosted collaborative filtering for improved recommendations. In: Proc. of the 18th National Conf. on Artificial Intelligence[M]. Menlo Park: American Association for Artificial Intelligence, 2002：187-192

15. Burke R. Knowledge-Based recommender systems[J]. Encyclopedia of Library and Information Systems, 2000, 69（32）：180-200

16. Middleton SE, Shadbolt NR, de Roure DC. Ontological user profiling in recommender systems[J]. ACM Trans. on Information Systems, 2004, 22（1）：54-88

17. Dey AK. Understanding and using context[J]. Personal and Ubiquitous Computing, 2001, 5（1）：4-7

18. Lee TQ, Park Y, Park YT. A time-based approach to effective recommender systems using implicit feedback[J]. Expert Systems with Applications, 2008, 34（4）：3055-3062

19. Ricci F, Rokach L, Shapira B, Kantor PB. Recommender Systems Handbook[M]. Berlin: Springer-Verlag, 2011：1-842

20. Zheng Y, Zhang L, Ma Z, Xie X, Ma WY. Recommending friends and locations based on individual location history. ACM Trans[J]. on the Web (TWEB), 2011, 5（1）：1-44

21. Abdesslem FB, Henderson T, Brostoff S, Sasse MA. Context-Based personalised settings for mobile location sharing. In: Proc. of the RecSys 2011 Workshop on PeMA 2011 [EB/OL]. [2015-07-13]. http://pema2011.cs.ucl.ac.uk/papers/pema2011_ benabdesslem.pdf

22. Lee SK, Cho YH, Kim SH. Collaborative filtering with ordinal scale-based implicit ratings for mobile music recommendations[J]. Information Sciences, 2010,180(11):2142-2155

23. Wang YX, Qiao XQ, Li XF, Meng LM. Research on context-awareness mobile sns service selection mechanism[J]. Chinese Journal of Computers, 2010, 33（11）：2126-2135

24. Goren-Bar D, Kuflik T. Off the beaten track: A mobile field study exploring the long tail of tourist recommendations. In: Proc. Of the Human-Computer Interaction with Mobile Devices and Services (MobileHCI 2010)[M]. New York: ACM Press, 2010：209-218

25. Herlocker JL, Konstan JA, Terveen LG, Riedl J. Evaluating collaborative filtering recommender systems. ACM Trans[J]. On Information Systems, 2004, 22（1）：5-53

26. Yang Y, Padmanabhan B. Evaluation of online personalization systems: A survey of evaluation schemes and knowledge-based approach[J]. Journal of Electronic Commerce Research, 2005, 6（2）：112-122

27. N. Hurley, M. Zhang. Novelty and diversity in top-N recommendation-analysis and evaluation[J]. ACM Transactions on Internet Technology 10 ， 2011：14

28. R. Hu, P. Pu. Enhancing recommendation diversity with organization interfaces, in: Proceedings of the 16th international conference on Intelligent user interfaces[M]. New York:ACM Press, 2011：347-350

29. 謝菲爾德大學和 OCLC獲得開發圖書館推薦系統的資助[J].現代圖書情報技術，2010, 197（9）：83

30. Lorcan Dempsey. Libraries and the long tail: Some thoughts about libraries in a network age [EB/OL]. [2010- 07-18]. http: / /www. dlib. org/dlib/april06/dempsey/04dempsey. html

31. Truong, K.Q., Ishikawa, F., Honiden, S.Improving Accuracy of Recommender System by Item Clustering, IEICE TRANSACTIONS on Information and Systems[Z]. E90-D-I, 2007

32. Goel S, Broder A, Gabrilovich E, Pang B. Anatomy of the long tail: Ordinary people with extraordinary tastes//Proceedings of the ACM international conference on Web search and Data Mining[C]. New York, USA, 2010：201-210

33. Donna F E. Location, location, location: Making foursquare work for your library[J]. Computers in Library, 2010（9）

34. Brow N A. 2013 social networking in libraries trends [EB/OL]. [2013-01-02]. http://socialnetworking librarian. com/2013/01/02/2013-socia-networking-in-libraries-trends/

35. Newman MEJ. The structure and function of complex networks[J]. SIAM Review, 2003, 45（2）：167-256

36. S. Y. Hwang, C. P.Wei, Y. F. Liao. Coauthorship networks and academic literature recommendation[J]. Electronic Commerce Research and Applications, 2010（9）：323-334

37. 高春玲. 解讀美國移動圖書館發展的昨天、今天和明天[J].數字圖書館論壇, 2010（11）：25-32

38. Modsching M, Kramer R, Hagen KT, Gretzel U. Effectiveness of mobile recommender systems for tourist destinations: A user evaluation. In: Proc. of the Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications 2007[M]. Washington: IEEE Computer Society, 2007： 663-668

39. Miller BN, Albert I, Lam SK, Konstan JA, Riedl J. Movielens unplugged: Experiences with an occasionally connected recommender system. In: Proc. of the Intelligent User Interfaces (IUI) 2003[M]. New York: ACM Press, 2003：263-266

40. S. Scellato, A. Noulas, C. Mascolo, Exploiting Place Features in Link Prediction on Location-based Social Networks, in: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[M]. New York: ACM Press, 2011：1046-1054

41. R. Sinha, K. Swearingen, The role of transparency inrecommender systems, in: Proceedings of the CHI’06 Conference on Human Factors in Computing Systems[J]. New York: ACM Press, 2002：830-831

42. G. Linden, B. Smith, J. York, Amazon.com recommendations: item-to-item collaborative filtering[J]. IEEE Internet Computing 7，2003：76-80

43. 竇天芳， 姜愛蓉. 資源發現系統功能分析及應用前景[J].圖書情報工作，2012（7）：38-43

The Development of the Recommender System and the Public Library Personalized Information Service

Ruan Guangce1Xia Lei2
( 1. East China Normal University;2.Shanghai Library )

Abstract〔〕This paper discusses the development of the recommender system, then summarizes the application of recommender system in libraries at home and abroad. At last, the author proposes some suggestions to put forward the personalized information service with the recommender system in order to provide the theory reference of digital service in public library.

Keywords〔〕Recommender systemDigital libraryPublic libraryPersonalized information service

〔作者簡介〕阮光冊（1976-），男，博士研究生，華東師范大學商學院信息系副教授，碩士生導師，主要研究方向：信息分析，文本挖掘；夏磊（1978-），女，碩士研究生，上海圖書館副研究館員，主要研究方向：公共圖書館服務。