一種融合了基于樸素貝葉斯算法與情境感知的協同推薦系統

程秀峰 范曉瑩 楊金慶

摘要：[目的/意義]將情境感知技術引入圖書館以提高服務的智能化，已成為數字圖書館的發展趨勢之一。為了提高情境感知模型中推薦結果的準確度。[方法/過程]本文研究并提出了一種融合了樸素貝葉斯算法與情景感知功能的協同推薦模型，并通過實驗對推薦效果進行了評估。具體為：首先，獲取用戶的當前任務和情景信息，同時提取歷史信息庫用戶的行為偏好;其次基于屬性加權貝葉斯算法計算用戶的行為相似度，繼而進行協同推薦;通過計算目標情景中所有情景屬性對所推薦資源的影響的權值，對協同推薦所得評分進行加權處理，形成最終的預測預測;最后通過實驗對模型進行檢驗。[結果/結論]結果表明：使用該模型得出的推薦結果優于傳統的協同推薦結果。因此該模型能夠更好地為為個性化信息服務提供支持。

關鍵詞：情景感知;樸素貝葉斯;協同推薦;圖書館

DOI：10.3969/j.issn.1008-0821.2019.02.007

〔中圖分類號〕TP391〔文獻標識碼〕A〔文章編號〕1008-0821（2019）03-0057-09

隨著互聯網技術的日益發展，知識庫中的信息量呈指數增長，用戶的專業性知識需求隨之增加，簡單的非語義化搜索引擎已經很難捕捉、定位到用戶真實需求。作為知識存儲、組織與利用重要機構的圖書館，其自身擁有的個性化服務雖能在表面上滿足大多數用戶需求，但在深層需求挖掘與感知上，仍然表現出諸多不足，具體表現為：1）情境適用性差。雖然查詢系統十分方便，但仍不能獲取用戶潛在需求;2）推薦結果不夠精確。即使能通過網絡信息顯式獲取用戶需求，但可用性和可靠性仍不理想;3）資源匹配自適應性低。當用戶的信息需求不具有很強目的性，或無法準確被描述時，系統很難根據畫像推出用戶可能感興趣的信息。

針對以上問題，基于情境感知技術的推薦系統能夠很好地解決圖書館目前面臨的困境。個性化推薦能夠針對用戶的興趣點進行推薦，可以更好地滿足用戶的需求。情境感知技術具有探測用戶潛在需求與感知性描述用戶情境的功能，從而使得具有這種功能的推薦系統能夠有效感知處于不同位置、不同時間和不同狀態下的用戶需求[1]。兩者相結合的新型推薦系統將是一個解決數字圖書館目前面臨問題的有效方案。

本文將利用基于屬性加權的樸素貝葉斯算法的情景化用戶資源類別偏好學習以及融合該類別偏好的協同過濾個性化信息推薦，通過加入情境感知算法，即對不同影響力的情境因素賦予權重來提高傳統協同過濾算法的準確度，從而為讀者在不同情景因素下提供更加準確地推薦服務。

1相關研究

情景，是指用來描述實體情形和特征的任何信息[2]，利用情景向用戶提供相關信息服務的過程就是情境感知服務[3]。引入情景和情景感知能使推薦系統能夠具有“個性化”和“普適計算”的優勢，進一步提高個性化服務的精準度和用戶滿意度[4]，這引起了學者的普遍關注。Kim J等將情境感知與個性化推薦用個性化健康服務系統中，他們將提出的情境感知模型應用于協同過濾過程中的用戶偏好缺失值提取上，實現了協同過濾與情境感知的結合[5]。Kown O等創建的NAMA原型系統通過用戶情境、用戶描述等信息來發現用戶的信息需求，從而為電子商務購買者提供個性化信息[6]。Mylonas P等分析了用戶的歷史情景和當前情景的表示，并對不確定環境下的模糊情景（如用戶注意力和愿望等）展開了研究，認為情景是提升個性化信息服務質量的有效手段[7]。李晟建立用戶觀影的情景模型，將用戶觀影情境因素應用到現有的推薦系統中，提升電影推薦的用戶滿意度[8]。

對于圖書館來說，情景感知作為普適計算的核心技術之一，能夠利用傳感器使軟件根據使用地點、服務器、相關用戶、周邊設備等變化而調整自身狀態，以達到支持用戶隨時隨地獲取符合個性化需求的信息的目的[9]。Lee提出通過提供圖書狀態信息、內容信息、電子書是否可借閱等實現情感感知在圖書館中的應用[10]。Aittola M等提出將情境感知與導航系統相結合，從而讀者在圖書館中可通過手持PDA設備獲取位置感知服務，根據有關書籍的地圖向導迅速找到所需圖書等[11]。

對于圖書館的使用者來說，圖書館最主要的用途是為其提供所需要查閱或瀏覽的書籍。當用戶無法明確描述自己的需求時，就需要系統為其提供合適的內容推送。結合情景感知的推薦系統相較于傳統推薦系統能夠更加動態、主動地察覺用戶的潛在需求，從而為用戶推薦恰當、符合當前場景的內容，如何將情境感知與圖書館個性化服務結合起來。張劍等集成情景感知的圖書館服務體系框架，將圖書館的管理及信息服務與情境感知技術相結合，通過用戶的信息和定位為用戶提供服務[12]。黃傳慧將情境感知理論應用于圖書館學術信息推薦系統，并提出基于情境感知—目標用戶—資源協同驅動推薦模型，采用隱式獲取用戶情景偏好信息的方式，結合協同過濾為學術用戶提供科研方面的推薦[13]。洪亮等基于移動數字圖書館的特性，提出了一種WSSQ算法構建用戶信任網絡，由此給出改進的情境感知推薦方法，并將情景作為參數納入用戶信任度、相似度的計算中，以體現情景對用戶選擇的影響[14]。

綜上所述，圖書館作為一個知識信息中心，必須要適應新技術的變化，將情景因素考慮到個性化推薦中，才能滿足用戶的不同需求。目前的情境感知推薦系統中，存在的主要問題有構建的模型無法用于現實、推薦內容與用戶實際需求匹配度較低等問題。一方面是因為提出的模型太過于理想化，偏向于靜態、穩定的環境，而現實圖書館的推薦系統需要面對的是一個動態、變化的環境;另一方面則是沒有考慮到在一個情景中不同的情景屬性對用戶選擇影響是不同的。基于此，本文提出對判斷在某一場景下用戶選擇某類資源的概率的樸素貝葉斯算法進行屬性加權的想法，通過計算特定場景中不同情景屬性對用戶選擇該類資源影響程度的大小，使得樸素貝葉斯算法的概率計算更加精確，從而適應在動態的環境中的推薦。

2圖書館情景感知自適應個性化服務的應用模式

在傳統的信息交流體系中，圖書館是傳播科學知識和提供知識服務的重要角色。但隨著數字資源和信息技術的發展，用戶獲取和使用信息的方式也相應發生了變化，圖書館若要避免自己信息服務中心的地位發生變化，就必須尋找并精確地滿足用戶變化的信息需求。因此，如何將基于情景的推薦系統與圖書館個性化服務結合，實現圖書館信息服務的可持續發展，受到了許多學者的關注。

現有圖書館的個性化推薦主要考慮用戶和資源或用戶和服務兩個方面的因素，而基于情景感知的個性化推薦在嘗試通過用戶的需求和服務情景生成精準度更高的推薦，由于科技水平等方面的限制，還無法完全智能化的捕獲情景信息，實現全面、準確的推薦還存在困難。Mighali V等提出的“物聯網—情境感知服務模型”，通過可捕捉和處理用戶觀察內容的穿戴設備，將用戶的情景信息發送至可與設備交互的處理中心[15]。張帥等提出的“基于情境感知的高校移動圖書館個性化推薦模型”，采用向量空間模型表示方法和智能信息處理技術，并通過對環境變化和已有情景信息的挖掘實現對用戶個性化信息推薦服務[16]。周玲元等提出了一種“智慧圖書館”情境感知服務模式，通過情景感知技術構建“智慧圖書館服務平臺”，實現圖書館實體與線上移動設備融合的個性化服務[17]。因此，如何將情景信息，尤其時間信息，融入多維關系模型，是我們在構建模型時重點討論的問題。

在我們的推薦系統中，用戶直接接觸和接受反饋的是圖書館在每個樓層中提供的圖書查詢機。查詢機中的系統完成的兩個主要任務：通過定位和系統自帶程序收集用戶此時的情景信息及需求信息，其中位置信息由查詢機中的定位系統采集，時間信息由系統的時間系統獲取，需求信息（包括閱讀目的和類別）由用戶輸入的內容和查詢時類別選項的勾選進行判斷。將結果發送至推薦系統，然后由負責分析情景加權和協同推薦的功能完成搜索結果的推薦并將結果反饋給查詢機的系統終端。

由圖1可知，“數字圖書館服務推薦模型”的基本服務過程可劃分為圖書館服務平臺、情景數據獲取層、情景數據分析層和智能推薦層4個模塊。讀者通過數字圖書館系統終端進入并使用圖書館時，推薦系統的數據采集層將會自動獲取用戶的當前任務和情景信息，如用戶的位置、使用時間、閱讀目的和目標圖書類別，并將所獲得的數據進行處理，以便根據用戶歷史信息庫中存儲的用戶偏好和情景信息和用戶瀏覽或檢索的關鍵詞，合并生成相應的情景信息模型。在情景數據分析層，數字圖書館平臺根據其他讀者在相同情境下對資源的需求，計算出基于協同過濾的用戶相似度，找到與目標讀者相似的鄰居讀者，向目標讀者生成推薦信息候選集。最后，智能推薦層通過計算該情景中所有情景屬性對所推薦資源的影響的權值，綜合得到用戶此時的情景化信息需求，生成最優的個性化推薦信息列表推送給用戶。用戶根據推薦結果進行瀏覽并反饋，數字圖書館系統將用戶反饋和獲取到的當前情景信息錄入用戶歷史信息庫，將系統推薦給讀者的資源錄入情景信息庫和基本信息庫，為以后系統進行相同推薦提供數據和便利。

3基于屬性加權樸素貝葉斯算法的個性化圖書館服務推薦模型

傳統的情景感知信息推薦模型是基于“所有的情景屬性對于信息推薦所起的作用是相同的”這一背景所進行推薦，即這些推薦方法假定在任何情境下，不同情景因素對信息影響的權重值相同[18]，屬于靜態、封閉環境中的推薦方法。在實際生活中，讀者對相同的情境信息中的不同情景因素通常有不同的偏好，有些情景因素比其他情景更能改變用戶的最終選擇。有學者將同一讀者對于不同情境發生變化的感知能力的不同稱之為“情境感知度”[19]，即有些情景只是發生細微的變化，讀者對同一資源的興趣程度就會發生明顯的改變;而有些情境雖然發生較大的變化，但讀者對該資源的

圖1圖書館情景感知個性化服務的應用模式

興趣程度仍然保持不變。按照這一理念，我們將讀者對不同情境的不同感受定義為“情境感受性”，它反映了情景變化對讀者興趣變化的影響程度。例如，對于推薦的娛樂類書籍，在“時間”情景因素下，用戶可能更傾向于在周末的非工作時間的情景屬性中選擇娛樂類書籍;而在“完成論文”這個情景屬性下，用戶更可能在工作時間選擇科研類的書籍，以此獲得更多有用的信息。為了確定不同環境因素對信息推薦所產生的不同影響，本文提出了“基于屬性加權樸素貝葉斯算法的協同推薦模型”來度量用戶的情境感知性。由于環境中情境屬性之間彼此的相關性較小，即用戶查閱時間的不同并不會影響用戶所在樓層這一情景屬性，而樸素貝葉斯算法對屬性相關性較小的數據有著較好的分類效率和質量。因此相較于其他分類算法，屬性加權樸素貝葉斯算法更適用于對協同推薦進行情景加權處理，在動態、開放的環境下對用戶進行推薦。

3.2當前情境下讀者相似度計算

推薦系統可采用的推薦方法有：基于內容過濾，協同過濾以及混合推薦，我們采用的是應用較為廣泛，分類效果也相對較好的協同過濾來對用戶進行初步推薦。相較于傳統過濾推薦算法的用戶、事件的二維關系，基于屬性加權貝葉斯算法的協同過濾推薦是將其擴展為用戶、事件、環境的三維關系，在算法中融入了情景信息。推薦步驟主要分為3步：第一步，根據“用戶×資源”評分矩陣計算用戶之間的相似度;第二步，根據用戶間的相似度為當前用戶尋找近鄰，對其進行預測評分;第三步，結合屬性加權的貝葉斯算法，計算出情境權重，繼而實現推薦。

4實證

4.1實驗數據獲取

本文數據集來源于事先從華中師范大學數字圖書館的官方網站上，選取熱門借閱提供的22個分類中的10個分類，分別用爬蟲工具抓取30個左右的書籍名稱，共計330個，人工將其分為哲學社科類（如馬列主義等）、人文藝術類（如文學、藝術等）、工業技術類（如計算機技能等）和綜合科學類（如數理科學等），以下簡稱為社哲類、人文類、工技類和科學類，每個分類下約有80個書籍名稱，作為此次試驗中受試者進行評分和情景選擇的對象。

實驗中考察的情境因素共有3個，分別為：時間（工作日，周末）、地點（圖書館1～9樓）、閱讀目的（科研、擴展、休閑、技能等）。在實驗中如果受試者對某類書籍的閱讀情景的選擇為組合A：（周末，圖書館5樓，休閑），那么當該受試者再次遇到情景組合A時，系統將會優先為他推薦該類書籍他更可能想要的書。

本實驗共選取8名19～22歲的在校大學生作為測試者。實驗分為訓練集準備和推薦集測試兩個部分。在訓練集準備階段，所進行的實驗是通過發放調查問卷的方式為模型收集足夠的情景信息和用戶偏好;在推薦集測試階段，在指定情境下通過協同推薦和樸素貝葉斯算法情境加權計算為受試者形成推薦書單，再讓受試者對書單的內容進行打分，從而判斷改良算法相較于傳統算法的優劣性。

在準備階段，筆者為每個測試者提供了1份包含50個書籍名的書單，書籍名均從以上4類中隨機抽取，為保證數據集的可靠性和真實性，每份書單中的書籍名都有一定的重復率，測試者需對其進行閱讀情境的選擇和情感偏好的評分，其中情感偏好的評分范圍為1～5，從低到高分別表示非常不喜歡、不喜歡、無所謂、喜歡、非常喜歡。例如，受試者在對《百年孤獨》進行場景選擇時，時間上更傾向于選擇周末，地點一般是在2樓，閱讀目的一般為休閑，比較喜歡閱讀《百年孤獨》類小說但更喜歡同書單的《白夜行》，所以打分為4分。將所有問卷回收后，根據分類標準將所得數據進行整理后，所得數據如表1所示。

4.2數據處理與分析

4.2.1情景因素權值獲取

由于每份書單中都有一定的重復率，且不同受試者對同一本書的情景屬性選擇不同，因此我們將其看做兩條不同的數據進行統計，一共得到400條數據，除去不確定的數據條后所得有效數據為378項。將收集到的數據按照不同類別和不同屬性的交叉對應關系進行數量統計，分別計算每個屬性值在不同類別下所占比例，再計算不同類別在同一屬性值下出現的概率，將所得數據進行歸一化處理后，可得到單項情景因素屬性對不同類別的影響權重。例如，在人文類書籍中，選擇工作日查閱的書籍共有13本，選擇在周末查閱的書籍共有80本，經過統計所得工作日對人文類書籍影響權重為0.138，而周末對人文類書籍的影響權重為0.862，這說明受試者在閱讀人文類書籍時更習慣于在周末進行。

此處為避免權值為0，我們將所有的權重進行加1處理，所得結果如表2所示：

4.2.2協同過濾推薦與屬性加權

在推薦集測試階段，我們首先讓受試者選擇一個情景M，系統將生成一組符合用戶所選情景的推薦A和一組以傳統協同過濾算法生成的推薦B供受試者選擇，受試者根據情景M和自身的閱讀習慣對所提供書單中的書籍一一進行推薦準確度的打分，重復進行多次不同情景的實驗，最后通過計算A、B兩組書單中書籍的最終得分，比較兩種算法的優劣性。

在生成推薦列表A時，由于情景此時已經確定，不屬于此情景的數據對推薦無任何用途，反而會成為干擾項對最終的推薦造成偏差，所以為減少運算花費的時間，我們嘗試將與所選情景中屬性值均不相同的數據行置為零，事實證明該操作是可行的。構建用戶×物品的二維矩陣并將用戶的評分填入關系矩陣中，然后根據皮爾遜相關系數計算用戶之間的相似度形成用戶評分相似矩陣：

因為用戶×物品矩陣較為稀疏，所以我們選擇相關系數較高的前兩位用戶作為相似用戶組建近鄰矩陣，按照最后評分高低得到排名前15的推薦列表。前面實驗步驟所得的情景權值已知，根據情境M的屬性值，將用戶的推薦結果進行加權處理后重新排名，選取排名前10的結果形成最終的推薦列表。例如此處我們為用戶B設定的情景M為{工作日，5樓，科研}，在傳統算法中《演講的藝術》排名非常靠前，這是因為用戶B和他的相似用戶群體對這類書籍的興趣較高。但在改良方法中，《演講的藝術》排名較低，并不在前五的行列中，這是因為《演講的藝術》屬于人文類書籍，在情景M中它的情景因素屬性加權值較低，因此最后的綜合得分較低。經過整理后部分結果如表3所示：

表3本文方法與傳統方法推薦結果對比（部分）

用戶A用戶B改良方法傳統方法改良方法傳統方法

1《馬克思民主觀的文本研究》《馬克思民主觀的文本研究》《管理心理學》《演講的藝術》

2《列寧論科學社會主義》《元代理學倫理思想研究》《社會心理學》《平凡的世界》

3《社會契約論》《社會心理學》《社會研究方法實用教程》《愛情心理學》

4《元代理學倫理思想研究》《列寧論科學社會主義》《老年社會學》《精讀魯迅》

5《老年社會學》《SQL Server范例開發大全》《愛情心理學》《管理心理學》

4.2.3推薦效果評價

基于情景感知的個性化推薦是為幫助用戶更準確的找到所需要的資源，而廣泛采用的平均絕對偏差MAE（Mean Absolute Error）反映的是實際預測誤差的大小，無法判斷用戶對推薦資源的滿意程度。本文實驗中借鑒了前人的評價方法[21]，即用讀者接受度（Reader Acceptance Radio，RAR）來判斷推薦的優劣，計算公式如下：

RAR=∑RInterest{I.1，I.2，…，I.N}∩（Top-N Book）（Top-N Book）（9）

其中∑RInterest{I.1，I.2，…，I.N}表示目標讀者感興趣的文獻資源，{Top-N Book}表示在該列表中讀者對資源的采納程度。則RAR的值越高，該推薦方法在當前情景下給讀者推薦的資源越合適。

在對推薦效果進行評價時，推薦系統算法根據指定情景M生成兩組推薦推薦書籍，其中一組是符合用戶所選情景的推薦書單A，一組是以傳統協同過濾算法生成的推薦書單B，受試者根據設定的情境M分別對推薦書單A、B中的項目進行反饋，如情景M為{周末，7樓，技能}，對推薦書單中的書籍《博弈論導論》，受試者根據個人喜好和閱讀目的對推薦書籍與目標書籍的相似度進行評價，即在滿分10下對書籍的滿意度進行打分。設定評分大于等于5的書籍為讀者采納資源{Top-N Book}，評分大于等于8的書籍為讀者感興趣的資源∑RInterest{I.1，I.2，…，I.N}，最后統計書單A和書單B中符合要求的書籍的個數，計算讀者接受度（RAR）。為保證實驗的準確性，筆者為每個用戶提供多個情景，對不同的情境系統推薦的資源不同，均需測試者提供反饋。根據提供的反饋進行推薦準確率的計算，從而衡量推薦的質量。將用戶反饋的數據進行剔除和篩選后，計算傳統協同過濾算法和改進的方法的讀者接受度，對比結果如圖2所示。因為每個測試者對應多種情境的推薦，此處的接受度為多種情況推薦的接受度的均值，最后一組的數據為前八組數據的均值。

圖2兩種協同過濾出信息推薦方法的比較

從圖2中可以看出，A組數據的推準率普遍優于B組。說明在實際情況下，本文提出的算法相較傳統協同過濾算法，有著較高的準確率和性能優越性。因為傳統協同推薦算法在為用戶進行推薦時，僅僅只是依靠之前的數據為用戶提供他會感興趣的內容，但凡場景發生些許變化，傳統算法就很難再處理好高評分內容和實際需求內容之間的關系。而基于樸素貝葉斯加權的情境感知協同過濾推薦算法在傳統算法的基礎上融入了情景信息，由原來的用戶×資源的二維關系變為用戶×資源×情景的三維關系，從而通過對不同情景下的用戶進行不同內容的推薦來滿足用戶個性化的需求，而非對任何情景都進行單一內容的推薦。實驗結果也表明，基于樸素貝葉斯加權的情境感知協同過濾算法能夠更好地識別不同情景對信息推薦的影響力大小，能夠提供給讀者更加精準的個性化推薦，提高推薦系統的質量、水平和準確性。

5結語

在移動互聯網高速發展的背景下，圖書館需要從被動滿足讀者需求變為主動感知用戶情境并進行個性化服務推薦，簡單的資源內容推送已經難以發揮館藏的最大價值，也不能突出圖書館本身的特點和實現社會信息溝通的目的。引入情境感知技術以提高服務的智能化、人性化、個性化，已成為數字圖書館的發展趨勢。本文從情境感知的角度，針對圖書館個性化服務推薦進行研究，并提出了基于樸素貝葉斯算法的屬性加權情景信息結合傳統協同過濾方法對圖書館的用戶進行智能化推薦的算法，能夠根據用戶的時間、地點等信息，向用戶推薦符合當前情景的信息。通過實驗表明該算法相較于傳統協同推薦算法有著更好的推薦效果和準確率。然而，本文雖然實驗數據足夠，但實驗者數目較少，考慮的情景影響因素量也有待增加，同時實驗中存在較多泛化因素，因此實驗還有待于進一步提高。此外，下一步的研究方向可以是用戶情境感知信息的有效獲取和多維情景信息下對推薦的影響，以進一步證明該模型的有效性和推薦的準確性。

參考文獻

[1]袁靜.情景感知自適應：圖書館個性化服務新方向[J].圖書情報工作，2012，56（7）：79-82，97.

[2]Dey A K，Abowd G D，Salber D.A Conceptual Framework and a Toolkit for Supporting the Rapid Prototyping of Context-Aware Applications[J].Human-computer Interaction，2001，16（2-4）：97-166.

[3]Dey A K.Understanding and Using Context Personal and Ubiquitous Computing Journal[J].Personal & Ubiquitous Computing，2001，5（1）：4-7.

[4]郭高尚.情景感知的移動推薦研究[D].邯鄲：河北工程大學，2014.

[5]Kim J，Lee D，Chung K Y.Item Recommendation Based on Context-aware Model for Personalized U-healthcare Service[J].Multimedia Tools & Applications，2014，71（2）：855-872.

[6]Kwon O，Choi S，Park G.NAMA：A Context-aware Multi-agent Based Web Service Approach to Proactive Need Identification for Personalized Reminder Systems[J].Expert Systems with Applications，2005，29（1）：17-32.

[7]Mylonas P，Vallet D，Castells P，et al.Personalized Information Retrieval Based on Context and Ontological Knowledge[J].Knowledge Engineering Review，2008，23（1）：73-100.

[8]李晟.基于情境感知的個性化電影推薦[D].北京：北京郵電大學，2012.

[9]Schilit B，Adams N，Want R.Context-Aware Computing Applications[C]//The Workshop on Mobile Computing Systems & Applications，1994：85-90.

[10]Lee，The Concept of the Context-Aware Computing and Its Application to the Library Information Services.

[11]Aittola M，Ryhnen T，Ojala T.SmartLibrary-Location-Aware Mobile Library Service[M]//Human-Computer Interaction with Mobile Devices and Services.Springer Berlin Heidelberg，2003：411-416.

[12]張劍.移動時代高校圖書館的情境感知服務系統研究[J].新世紀圖書館，2012，（5）：42-45，1.

[13]黃傳慧.基于情境感知的圖書館學術信息推薦系統構建研究[J].圖書館工作與研究，2015，（10）：21-26.

[14]洪亮，錢晨，樊星.移動數字圖書館資源的情境感知個性化推薦方法研究[J].現代圖書情報技術，2016，（Z1）：110-119.

[15]Mighali V，Fiore G D，Patrono L，et al.Innovative IoT-aware Services for a Smart Museum[C]//International Conference on World Wide Web.ACM，2015：547-550.

[16]張帥，郭順利.基于情境感知的高校移動圖書館個性化推薦模型研究[J].情報探索，2014，（10）：6-11.

[17]周玲元，閆思琪，朱翔宇.“智慧圖書館”情境感知服務模式及評價研究[J].圖書館學研究，2017，（21）：23-30.

[18]Adomavicius G，Tuzhilin A.Context-aware Recommender Systems[C]//ACM Conference on Recommender Systems.ACM，2008：335-336.

[19]曾子明.移動環境下基于情境感知的數字圖書館個性化信息推薦研究[J].圖書情報工作，2013，57（12）：123-128.

[20]秦鋒，任詩流，程澤凱，羅慧.基于屬性加權的樸素貝葉斯分類算法[J].計算機工程與應用，2008，（6）：107-109.

[21]曾子明，李鑫.移動環境下基于情境感知的個性化信息推薦[J].情報雜志，2012，31（8）：166-170.

（責任編輯：郭沫含）