基于知識圖譜的我國高校圖書館個性化推薦研究綜述

趙衍 楊喆涵

摘 要： 利用高校圖書館積累的大數(shù)據資源為用戶提供個性化圖書推薦一直是情報學與圖書館學領域的研究熱點。文章利用2010—2019年CNKI收錄的253篇相關學術文獻進行文獻計量分析，使用信息可視化軟件CiteSpace生成作者合作、機構合作、關鍵詞共現(xiàn)、主題路徑等知識圖譜，探索近10年我國高校圖書館個性化推薦研究的發(fā)展路徑、熱點變遷及發(fā)展趨勢，以期為我國高校圖書館個性化推薦研究領域的學術探索與實踐提供相應的理論參考。研究發(fā)現(xiàn)：①針對該領域的研究已經形成多個研究群體，研究合作方式以高校的校內合作為主。②2010—2019年該領域研究熱點集中在個性化推薦、協(xié)同過濾、數(shù)據挖掘等方面，并在此基礎上衍生出情景化推薦、閱讀推廣等研究前沿。③2010—2019年該領域的研究可大致分為基礎研究與創(chuàng)新研究兩個階段，前者為后者的研究提供理論基礎，后者基于前者的研究衍生新的研究熱點。④目前研究的局限性在于理論研究居多，實際應用較少。

關鍵詞： 高校圖書館;個性化推薦;知識圖譜

中圖分類號： C 93

文獻標志碼： A

Literature Review of the Research on Personalized Recommendationof Chinese University Libraries Based on Knowledge Graph

ZHAO Yan YANG Zhehan

（Shanghai International Studies University， Shanghai 201620， China）

Abstract： Using the big data accumulated by university libraries to provide users with personalized book recommendations has always been a research hotspot in the field of information science and library science. This paper uses 253 relevant academic documents collected by CNKI from 2010 to 2019 for bibliometric analysis， and uses the information visualization software CiteSpace to generate a knowledge map of author cooperation， institutional cooperation， keyword co-occurrence， theme roadmap， etc. to explore personalized recommendation researchs development path， hotspot changes and development trend of Chinas university libraries in the past 10 years. This paper expects to provide corresponding theoretical references for academic exploration and practice in the field of personalized recommendation research in university libraries in China. The research shows： a） A number of research groups have been formed for research in this field， and the way of research cooperation is mainly intramural cooperation in universities. b） From 2010 to 2019， the research hotspots in this field focused on personalized recommendation， collaborative filtering， data mining， etc.， and on this basis， research frontiers such as contextual recommendation and reading promotion were derived. c） The research in this field from 2010 to 2019 can be roughly divided into two stages： basic research and innovative research. The former provides a theoretical basis for the latters research， and the latter derives new research hotspots based on the formers research. d） The limitation of current research lies in the fact that there are many theoretical studies and few practical applications.

Key words： university library; personalized recommendation; knowledge graph

高校圖書館是高校的知識中心，館藏豐富多樣的學術資源，如何向專業(yè)背景和興趣愛好迥異的用戶精確推薦滿足其需要的館藏資源，關系到高校圖書館資源能否實現(xiàn)充分利用，也關系到高校圖書館服務的質量。隨著圖書館信息化的發(fā)展，高校圖書館積累了海量的用戶借閱數(shù)據，這為高校圖書館提供個性化的推薦研究提供了數(shù)據基礎。同時，不斷發(fā)展的大數(shù)據、人工智能等技術也為個性化推薦研究注入了新的活力。基于上述原因，2010—2019年近10年間，我國高校圖書館個性化推薦的相關學術論文發(fā)表量總體上呈現(xiàn)上升趨勢（圖1），這表明對該領域的研究正在不斷發(fā)展與豐富。文章運用信息可視化軟件CiteSpace，對2010—2019年我國高校圖書館個性化推薦研究進行基于知識圖譜的文獻計量分析，對該領域研究的發(fā)展路徑、熱點變遷以及發(fā)展趨勢進行全面系統(tǒng)的分析，從而為該領域的科學研究與實踐提供參考。

1 數(shù)據來源、研究方法與工具

文章以中國知網（China National Knowledge Infrastructure， CNKI）作為研究樣本數(shù)據來源。以“個性化推薦”、“圖書推薦”、“智慧推薦”作為篇關摘檢索詞，且限定全文檢索詞為“高校圖書館”，期刊類別限定為“核心期刊”與“CSSCI”，研究文獻的檢索年限選擇為2010—2019年，按照上述條件進行期刊文獻檢索，共得到文獻298篇，通過對文獻數(shù)據的人工篩查，去除推薦書目清單、會議紀要等無關文獻，最終得到文獻253篇，數(shù)據檢索與處理時間為2020年7月7日。

知識圖譜（Knowledge Graph）能夠可視化表達某一研究領域的知識結構關系與研究熱點的演化脈絡，進而揭示研究領域的發(fā)展現(xiàn)狀與演化規(guī)律，預測研究領域的前沿研究趨勢。因此，文章采用基于知識圖譜的文獻計量研究方法，對篩選后的253篇文獻進行作者共現(xiàn)分析、機構共現(xiàn)分析、關鍵詞共現(xiàn)分析、主題路徑分析以及突現(xiàn)詞分析。

文章采用的研究工具是美國德雷克塞大學信息技術學院（College of Information Technology， Drake University）陳超美教授（Chaomei Chen）開發(fā)的CiteSpace 5.7.R1。CiteSpace是一款基于JAVA程序的共引網絡分析軟件，該程序可用于分析學科領域的研究熱點與演化趨勢，并將分析結果進行可視化展示。文章將253篇文獻的題錄數(shù)據轉換成CiteSpace程序可處理的Refworks格式并導入，文獻的題錄數(shù)據包括標題 、關鍵詞、作者、機構等。

2 知識圖譜分析

2.1 作者合作知識圖譜分析

通過作者合作知識圖譜可以對我國高校圖書館個性化推薦研究領域的作者合作情況進行研究。文章利用CiteSpace軟件，選擇“Author（作者）”作為共現(xiàn)分析的節(jié)點類型（Node Types），剪切連線算法（Pruning）選擇“Pathfinder（路徑搜索算法）”和“Pruning sliced networks（路徑簡化網絡）”，其余參數(shù)采用默認數(shù)值，生成作者合作知識圖譜（圖2）。根據CiteSpace 5.7.R1版本的設定規(guī)則，作者合作知識圖譜中作者節(jié)點表現(xiàn)為作者姓名，其大小與作者出現(xiàn)頻次相關，作者出現(xiàn)頻次越高，節(jié)點越大（相對于其他作者），不同作者節(jié)點間的連線反映作者間的合作情況，連線的不同的顏色對應不同年份。據圖2的統(tǒng)計信息顯示，該作者合作知識圖譜共有節(jié)點40個，節(jié)點間連線共有42條，網絡密度（Density）為0.0538。圖譜顯示，2010—2019年針對我國高校圖書館個性化推薦研究形成了多個研究群體，其中共現(xiàn)作者最多的是以柳益君—何勝為代表的研究群體，其次是以曹紅兵為代表的研究群體和以劉海鷗—張亞明為代表的研究群體。除了上述共現(xiàn)作者較多的研究群體外，知識圖譜中還零散分布著許多共現(xiàn)作者數(shù)小于三人的研究群體。由此可見，2010—2019年該領域研究者之間存在一定程度的合作關系，研究力量整體上以某個或某幾個主要研究者為中心凝聚，零散分布的單作者和雙作者說明作者之間的研究合作還可以進一步加強。

另外，文章選取并統(tǒng)計2010—2019年發(fā)文量3篇的作者（表1），發(fā)現(xiàn)江蘇理工學院的柳益君（8篇）發(fā)文量最多，其次是江蘇理工學院的何勝（6篇），其余作者的發(fā)文量為2～4篇。這些作者構成了我國高校圖書館個性化推薦研究的主要力量，他們在該領域的研究側重點各有不同，如柳益君、何勝主要從大數(shù)據與人工智能角度對高校圖書館個性化推薦進行研究，使用機器學習、知識圖譜、高校圖書館大數(shù)據挖掘等方法研究個性化智能推薦服務模式;劉海鷗、張亞明針對推薦系統(tǒng)數(shù)據稀疏問題，將時間、地理位置、環(huán)境等情境信息融入協(xié)同過濾推薦（Collaborative Filtering， CF），研究高校圖書館情境化推薦系統(tǒng);曹紅兵則從物聯(lián)網角度，使用射頻識別（Radio Frequency Identification， RFID）等物聯(lián)網核心技術構建高校圖書館個性化推薦服務新體系，將個性化推薦服務范圍從傳統(tǒng)的數(shù)字化信息服務拓展到物理環(huán)境。

2.2 機構合作知識圖譜分析

機構合作知識圖譜能夠展示相關研究機構間的合作情況，通過分析我國高校圖書館個性化推薦研究相關機構的合作情況以及每個機構的發(fā)文量，能夠對該領域研究機構的合作分布、核心力量進行研究。文章使用CiteSpace軟件，選擇“Institution（機構）”作為共現(xiàn)分析的節(jié)點類型，剪切連線算法選擇“Pathfinder（路徑搜索算法）”和“Pruning sliced networks（路徑簡化網絡）”，其余參數(shù)采用默認數(shù)值，繪制機構合作知識圖譜（圖3），與作者合作知識圖譜生成規(guī)則類似，機構知識圖譜中機構節(jié)點表現(xiàn)為機構名稱，其大小與機構共現(xiàn)頻次相關，機構共現(xiàn)頻次越高，節(jié)點越大。不同研究機構節(jié)點間的連線反映機構間的合作情況，連線的不同的顏色對應不同年份。如圖3所示，機構合作知識圖譜共有30個節(jié)點，14條連接，密度值為0.0322。對圖譜進行分析可知，2010～2019年我國高校圖書館個性化推薦研究相關機構多為高校的圖書館、經濟管理學院、信息管理學院、計算機工程學院等，這表明高校憑借其專業(yè)人才與濃厚的研究氛圍，以及高校圖書館所提供的大量用戶借閱記錄等研究數(shù)據，成為該領域的主要研究力量。從這些高校的合作類型來看，主要分為校內合作與校際合作。校內合作多為同所高校內部不同院系、圖書館間的合作，如武漢大學的信息管理學院與計算機學院合作，針對精準圖書推薦導致的推薦書目缺乏多樣性問題，提出了一種融合信息距離的語義相似度計算方法，通過語義相似度的擴散，來提高個性化推薦結果的多樣性;校際合作多為不同地區(qū)的不同高校或相同地區(qū)的不同高校間的合作，如南京航空航天大學、東南大學展開校際合作，針對重啟動隨機游走推薦算法（Random Walk with Restart， RWR）忽視用戶興趣變化的問題，基于用戶興趣時間衰減因素，形成用戶興趣轉移概率矩陣并以此來優(yōu)化推薦。

文章對2010—2019年該領域發(fā)文量3篇的機構進行統(tǒng)計（表2），機構發(fā)文量最多的是武漢大學信息管理學院（13篇），其次是江蘇理工學院圖書館（8篇）、江蘇理工學院計算機工程學院（8篇）等，其中位列第一的武漢大學信息管理學院前身為武漢大學圖書情報學院，是我國第一所圖書情報學院，擁有武漢大學國家級圖書情報實驗教學中心，其發(fā)表的文獻涉及圖書協(xié)同過濾推薦研究、基于用戶畫像的推薦研究、基于語義信息的圖書推薦研究等諸多方面，擁有較多科研成果，在我國高校圖書館個性化推薦研究領域具有較大影響力。

2.3 關鍵詞共現(xiàn)知識圖譜分析

文獻的關鍵詞是對文獻主旨概念與作者核心思想觀點的提煉概括，能夠反映文獻的研究主題。對某個研究領域的多篇文獻進行關鍵詞共現(xiàn)分析，不僅可以研究該領域各主題的分布情況與彼此之間的聯(lián)系，還可以根據關鍵詞出現(xiàn)頻數(shù)分析該領域研究者對某個主題的關注程度，關鍵詞出現(xiàn)頻數(shù)越高，則說明對相關主題的研究與討論越多，是該領域的研究熱點。

文章利用CiteSpace，以“keyword（關鍵詞）”為共現(xiàn)分析節(jié)點類型，剪切連線算法選擇“Pathfinder（路徑搜索算法）”和“Pruning sliced networks（路徑簡化網絡）”，其余參數(shù)采用默認數(shù)值。在生成初始關鍵詞共現(xiàn)知識圖譜后，合并語義相似的關鍵詞，如“個性化推薦”與“個性推薦”、“圖書推薦”與“書目推薦”等，最終得到關鍵詞共現(xiàn)知識圖譜（圖4），圖譜中共有31個節(jié)點，67條連接，密度為0.1441，圖譜中的節(jié)點越大，說明相應的關鍵詞共現(xiàn)頻次越高，不同節(jié)點間的連線表示節(jié)點的共現(xiàn)關系，連線的粗細表示關鍵詞間的共現(xiàn)程度，不同顏色對應不同年份。由圖可知，中心區(qū)域的節(jié)點共現(xiàn)頻次較高，且彼此聯(lián)系緊密，構成我國高校圖書館個性化推薦領域的研究熱點，如個性化推薦、協(xié)同過濾、數(shù)據挖掘、推薦系統(tǒng)、高校圖書館等。邊緣節(jié)點共現(xiàn)頻次較低，且彼此相對孤立，表明在該領域的研究尚未成熟，如情景化推薦、深度學習、閱讀推廣、云計算等。

通過關鍵詞共現(xiàn)知識圖譜中研究熱點間的連線對其共現(xiàn)關系進行探究，能夠進一步發(fā)掘各研究熱點間的內在關聯(lián)。文章選擇具有代表性的高頻共現(xiàn)詞“個性化推薦”與“數(shù)據挖掘”，來探究研究我國高校圖書館個性化推薦研究熱點間的共現(xiàn)程度與內在聯(lián)系。

如圖4（A）所示，對于共現(xiàn)頻次最高（66次）的關鍵詞“個性化推薦”，與其共現(xiàn)程度較高的關鍵詞分別是“學術資源”、“智慧圖書館”、“推薦系統(tǒng)”等。“個性化推薦”與“學術資源”呈現(xiàn)較高共現(xiàn)程度，說明我國高校圖書館的個性化推薦研究不僅局限于對館藏圖書的推薦，還包括電子圖書、科研論文、教學課件等多種學術資源的推薦，李默等（2015）針對高校圖書館多樣化的學術資源，構建了一種基于多Agent技術的推薦系統(tǒng)，該系統(tǒng)可以根據不同學術資源類型自適應選擇推薦策略。“個性化推薦”、“推薦系統(tǒng)”和“智慧圖書館”的高共現(xiàn)程度則能夠體現(xiàn)三者的內在聯(lián)系：推薦系統(tǒng)是高校圖書館實現(xiàn)個性化推薦服務的技術基礎，而個性化推薦服務是高校圖書館轉型為智慧圖書館的重要因素。曾子明等（2015）進一步闡釋了個性化推薦與智慧圖書館的關系，認為將個性化推薦系統(tǒng)納入高校圖書館服務體系，可以優(yōu)化用戶與圖書館的交互模式，提高圖書館智慧服務水平，進而促進高校圖書館智慧化進程，并在此基礎上提出了一種包括用戶交互層、智慧服務層、個性化推薦層、知識存儲層和傳輸感知層的智慧圖書館服務體系。

又如圖4（B）所示，對于共現(xiàn)頻次較高（40次）的關鍵詞“數(shù)據挖掘”，與其共現(xiàn)程度最高的關鍵詞是“關聯(lián)規(guī)則”，這表明在基于數(shù)據挖掘的高校圖書館個性化推薦研究中，關聯(lián)規(guī)則挖掘是較為主流的數(shù)據挖掘方法。關聯(lián)規(guī)則（Association Rules）最早由阿格勞瓦爾（R.Agrawal， 1993）等人提出，通過尋找數(shù)據項之間的關聯(lián)來反映不同事物間的依賴性和關聯(lián)性，其最經典的算法是Apriori算法，該算法通過迭代搜索來尋找頻繁項集。但是，直接將Apriori算法應用于高校圖書推薦可能會遇到以下幾個問題：第一，高校圖書館數(shù)據量大，導致Apriori算法運行效率低下;第二，Apriori算法的支持度與置信度若選擇不當，可能導致關聯(lián)規(guī)則結果不精確;第三，高校圖書館用戶多為師生，他們在性別、年齡、專業(yè)、興趣上具有較大差異性，單一的Apriori算法缺乏泛化能力，導致推薦結果無法滿足多樣化需求。文章通過閱讀2010～2019年我國高校圖書館基于關聯(lián)規(guī)則的個性化推薦相關文獻，總結出針對上述研究問題的兩大研究方向：算法改進與數(shù)據屬性挖掘。從算法改進方面來看，田元等（2010）通過不同用戶借閱信息的分層數(shù)據提出一種改進的分布式關聯(lián)規(guī)則推薦算法;針對傳統(tǒng)關聯(lián)規(guī)則的靜態(tài)推薦模式，馬仲兵（2013）提出加權關聯(lián)規(guī)則推薦算法，使得推薦算法對用戶興趣遷移的敏感性提高;李欣（2015）與王立亞（2016）分別基于概念格與區(qū)間概念格對關聯(lián)規(guī)則算法進行改進，發(fā)掘圖書借閱記錄中的隱含關聯(lián)。從數(shù)據屬性挖掘方面來看，陳淑英（2018）、高晟（2019）等針對前人的研究多偏重于算法改進而未充分挖掘數(shù)據屬性之間的關系問題，使用關聯(lián)規(guī)則對高校圖書館借閱數(shù)據進行多維度挖掘，以提高推薦效果。

在利用關鍵詞共現(xiàn)知識圖譜分析研究熱點的基礎上，文章進一步通過中介中心性（Betweenness Centrality）探究相關研究熱點在該領域的影響程度，從CiteSpace的關鍵詞共現(xiàn)分析結果中統(tǒng)計出中介中心性0.1的關鍵詞（表3）。由表3可知，共現(xiàn)頻次最高的關鍵詞“個性化推薦”的中介中心性并非最高，這是因為中介中心性衡量的是知識圖譜中某個節(jié)點充當其他節(jié)點連接中介的頻次，頻次越高，中介中心性越大，在知識圖譜中的影響力越強（M. Barthélemy， 2004）。表3中“協(xié)同過濾”的中介中心性最大（0.61），其次是“數(shù)據挖掘”（0.59）、“個性化推薦”（0.42）等，表明協(xié)同過濾相關研究在我國高校圖書館個性化推薦研究中具有較大影響力。通過閱讀大量文獻，我國高校圖書館基于協(xié)同過濾的個性化推薦研究主要集中在兩方面：一是通過協(xié)同過濾實現(xiàn)傳統(tǒng)高校圖書館推薦服務的升級，如安德智等（2011）針對傳統(tǒng)圖書館無法為用戶提供準確個性化推薦的問題，提出基于協(xié)同過濾的圖書推薦系統(tǒng)，并將其應用于高校圖書館驗證其有效性;董坤（2012）針對高校圖書館對于用戶信息挖掘、分析不足的問題，使用協(xié)同過濾算法挖掘讀者需求，從而優(yōu)化個性化推薦效果。二是針對現(xiàn)有協(xié)同過濾推薦算法進行改進，如鄂海紅等（2014）基于高校圖書館借閱數(shù)據，將時間上下文信息引入傳統(tǒng)協(xié)同過濾推薦算法;毛志勇等（2015）針對傳統(tǒng)協(xié)同過濾算法數(shù)據稀疏性等問題，使用蟻群聚類和云填充對其進行改進;宋楚平（2016）針對高校圖書館推薦的冷啟動問題，通過優(yōu)化讀者評價矩陣與相似度模型來改進協(xié)同過濾算法;王剛等（2019）提取并計算用戶興趣序列，將其與傳統(tǒng)協(xié)同過濾推薦算法相結合，提高個性化推薦效果。

對于中介中心性次高的“數(shù)據挖掘”和“個性化推薦”，其相關研究已在上文進行了綜述，不再贅述。

2.4 主題路徑與關鍵詞突現(xiàn)分析

主題路徑分析是從時間維度對關鍵詞共現(xiàn)進行分析。利用主題路徑知識圖譜，能夠把握我國高校圖書館個性化推薦研究熱點的演化趨勢與發(fā)展脈絡，發(fā)現(xiàn)該領域的研究前沿，分析影響研究熱點變化的原因，預測該領域未來研究發(fā)展趨勢。文章使用CiteSpace，基于已生成的關鍵詞共現(xiàn)知識圖譜，選擇“Layout（布局）”選項卡下的“Timezone View（時區(qū)視圖）”，其余參數(shù)選擇默認，生成主題路徑圖（圖5）。根據主題路徑圖中關鍵詞共現(xiàn)的分布情況來劃分，2010—2019年我國高校圖書館個性化推薦研究可大致分為兩個階段：基礎研究階段（2010—2014年）和創(chuàng)新研究階段（2015—2019年），前者為后者的研究提供理論基礎，后者基于前者的研究來探索新的研究熱點。

基礎研究階段的研究集中在“個性化推薦”、“數(shù)據挖掘”、“協(xié)同過濾”、“推薦系統(tǒng)”等。通過上文關鍵詞共現(xiàn)知識圖譜的分析可知，這些關鍵詞的共現(xiàn)頻次高，與其他關鍵詞的共現(xiàn)程度較強。構成了我國高校圖書館個性化推薦的主要研究領域。同時，由上文對個性化推薦、數(shù)據挖掘、協(xié)同過濾相關研究的綜述可知，基于關聯(lián)規(guī)則等數(shù)據挖掘方法的個性化推薦、基于協(xié)同過濾及其改進算法的個性化推薦，已經成為我國高校圖書館實現(xiàn)個性化推薦的基礎且主流的研究方法。

創(chuàng)新研究階段出現(xiàn)了許多新的研究熱點，如“個性化服務”、“情景化推薦”、“深度學習”、“云計算”等，構成我國高校圖書館個性化推薦研究前沿。由圖5可以看出，創(chuàng)新研究階段的關鍵詞與基礎研究階段的關鍵詞呈現(xiàn)較高的共現(xiàn)關系，表明兩個階段一脈相承，創(chuàng)新階段的研究需要基礎階段的研究作為理論基礎與支撐。對于個性化服務來說，與基礎研究階段的個性化推薦既有聯(lián)系又有區(qū)別：個性化服務的外延更大，高校圖書館個性化服務將用戶、館員和信息綜合連接，包括了用戶個性化需求分析、服務路徑選擇、個性化推薦等諸多方面，是對個性化推薦的發(fā)展（唐斌，2017）;情景化推薦針對傳統(tǒng)推薦算法僅使用單一用戶信息，導致推薦結果不準確的問題，將用戶的時間、位置、需求等情景化因素納入個性推薦研究范疇，通過引入這些情景信息來提高推薦準確性;基于深度學習與云計算的推薦研究，以基礎研究階段的基于數(shù)據挖掘的個性化推薦為理論基礎，主要針對高校圖書館產生的用戶借閱記錄等大數(shù)據。趙冉（2019）提出基于并行云計算框架的混合圖書館推薦系統(tǒng)，以此來提高推薦系統(tǒng)處理大數(shù)據的能力;尹婷婷等（2019）通過深度學習挖掘高校圖書館大數(shù)據的深層信息，提出基于用戶借閱時間的圖書館推薦模型。

突現(xiàn)關鍵詞是指在某個時間范圍內，某個關鍵詞的共現(xiàn)頻數(shù)突然增加。分析突現(xiàn)關鍵詞可以探究一定時期內研究領域的研究熱點，也可以通過觀察近期時間段的突現(xiàn)關鍵詞來分析研究領域的研究前沿。文章使用CiteSpace的“Burstness（突現(xiàn)性）”功能，將參數(shù)的值設置為1.0，生成突現(xiàn)性最強的五個關鍵詞，并將其按照突現(xiàn)起始時間進行排序（圖6）。由圖6可知，2010—2019年我國高校圖書館個性化推薦研究突現(xiàn)度最高（5.7179）的關鍵詞是“推薦系統(tǒng)”，突現(xiàn)持續(xù)時間最長（2010—2013年）的關鍵詞分別是“數(shù)據挖掘”和“關聯(lián)規(guī)則”，這再次印證基于數(shù)據挖掘的推薦研究、對推薦系統(tǒng)的研究與改進是我國高校圖書館個性化推薦的研究熱點。此外，圖6中呈最新突現(xiàn)趨勢（2017～2019）的關鍵詞是“閱讀推廣”，說明閱讀推廣是我國高校圖書館個性化推薦的研究新趨勢。閱讀推廣是個性化推薦的衍生，有研究表明個性化推薦是閱讀推廣最主要的實現(xiàn)手段（史艷麗，2018）。高校圖書館閱讀推廣主要是根據用戶不同的閱讀興趣和專業(yè)背景，推薦面向個體需求的書目或資源（明均仁，2017），所以其本質仍然是個性化推薦。因此，對閱讀推廣的相關研究也主要集中在個性化推薦算法或系統(tǒng)的研究與改進上，然后再利用個性化推薦系統(tǒng)去服務閱讀推廣活動，如明均仁等（2017）提出基于群體智慧的自動化書目推薦方法，將其推薦結果應用于閱讀推廣;王順箐（2018）論證了閱讀推廣活動受眾的多樣性對活動效果的影響，提出基于用戶畫像的個性化推薦系統(tǒng)，通過構建用戶畫像來滿足閱讀推廣活動的需求。

基于上述關鍵詞主題路徑與突現(xiàn)詞分析，文章進一步探究影響該領域研究熱點演變發(fā)展的原因，主要可以歸納為需求驅動與技術發(fā)展兩方面原因：

從需求驅動來看，近年來互聯(lián)網公司快速發(fā)展，許多公司引入推薦系統(tǒng)來為其用戶提供個性化服務，滿足用戶的個性化需求，進而提高用戶滿意度，如亞馬遜等網絡圖書商城基于用戶瀏覽或購買的歷史圖書數(shù)據，來為其推薦相關圖書信息（丘瑜，2015）。這一方面滿足了用戶的個性化需求，另一方面又讓用戶對個性化推薦提出了更高的要求。從高校圖書館的角度分析，當前互聯(lián)網圖書推薦系統(tǒng)的便捷與高效，使高校圖書館用戶對高校圖書推薦服務產生了新的訴求，這一訴求促進了該領域相關研究的演進發(fā)展。

從技術發(fā)展來看，大數(shù)據與人工智能技術的發(fā)展為我國高校圖書館個性化推薦研究提供了技術支撐，促使該領域的研究從基礎研究階段向創(chuàng)新研究階段演進和發(fā)展。高校圖書館利用大數(shù)據技術，使其掌握的用戶數(shù)據質量得到提高，大量的結構化數(shù)據、半結構化數(shù)據以及非結構化數(shù)據，為個性化推薦研究提供了數(shù)據基礎;人工智能技術為高校圖書館個性化推薦研究提供了新的思路和方法，并且使其算法與算力得到改進與提高，結合深度學習、云計算等人工智能技術的個性化推薦研究成為該領域的研究前沿。

3 研究結論

文章以CNKI作為研究數(shù)據來源，檢索2010～2019年我國高校圖書館個性化推薦研究的相關期刊文獻，使用信息可視化軟件CiteSpace 5.7.R1對文獻題錄數(shù)據進行知識圖譜分析，包括作者合作知識圖譜分析、機構合作知識圖譜分析、關鍵詞共現(xiàn)分析、主題路徑圖分析、關鍵詞突現(xiàn)分析。通過知識圖譜分析與相關研究文獻綜述相結合的方式，文章梳理了我國高校圖書館個性化推薦研究的基本概況、研究熱點、研究發(fā)展趨勢、研究前沿，并得出以下主要結論：

（1）從作者合作情況來看，十年間針對我國高校圖書館個性化推薦研究形成了多個以某些作者為核心的研究群體，且這些研究群體在該領域的研究上各有側重。此外，作者合作知識圖譜顯示作者間的合作還可以進一步加強。

（2）從機構分布與合作情況來看，高校憑借其在該領域的研究優(yōu)勢成為主要研究力量，高校的合作類型分為校際合作和校內合作，高校圖書館和相關學院的校內合作研究占多數(shù)。

（3）從研究熱點來看，基于數(shù)據挖掘和協(xié)同過濾的個性化推薦研究是該領域研究的熱點，針對二者的研究及其算法改進成為我國高校圖書館實現(xiàn)并優(yōu)化個性化推薦服務的研究基礎和理論支撐

（4）從研究演化趨勢與研究前沿來看，十年間我國高校圖書館個性化推薦研究大致可分為基礎研究與創(chuàng)新研究兩個階段，且兩個階段聯(lián)系緊密，一脈相承。包括數(shù)據挖掘、協(xié)同過濾、推薦系統(tǒng)等研究熱點的基礎研究為創(chuàng)新研究提供了理論基礎，在此基礎上，受到需求驅動與技術發(fā)展兩方面原因的影響，創(chuàng)新研究階段出現(xiàn)了許多新的研究熱點，如情景化推薦、基于深度學習與云計算的推薦、閱讀推廣等，這些研究構成了我國高校圖書館個性化推薦的研究前沿，也是對基礎階段研究的完善與發(fā)展。

（5）從目前研究存在的局限性來看，盡管針對高校圖書館個性化推薦進行了推薦算法優(yōu)化、推薦模型與推薦系統(tǒng)的改進與創(chuàng)新、個性化推薦服務體系搭建等多方面的研究，但是這些研究以理論研究居多，將研究結果應用于高校圖書館推薦服務的實踐較少，未來的研究可以從理論與實踐相結合的角度，通過實際應用來促進研究的完善與發(fā)展。

文章的研究局限性在于，受到CiteSpace軟件功能的限制，無法使用CiteSpace對CNKI導出的文獻數(shù)據進行參考文獻共被引分析，未來的研究綜述還可以從參考文獻共被引分析的角度，對該領域進行更多維度、更全面的研究綜述。

參考文獻：

[1]陳悅， 劉則淵. 悄然興起的科學知識圖譜[J]. 科學學研究， 2005， 23（2）：149-154.

[2]CHEN C. CiteSpace II： Detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology， 2006.

[3]柳益君，羅燁，蔡秋茹，吳智勤，何勝.基于機器學習的高校圖書館個性化智能推薦服務方案[J].圖書館研究與工作，2020（3）：28-34.

[4]柳益君，何勝，熊太純，吳智勤，陳丹.知識圖譜在高校圖書館智慧服務中應用研究[J].圖書館工作與研究，2019（11）：5-10.

[5]柳益君，何勝，李仁璞，吳智勤，武群輝.面向多樣性個性化推薦服務的高校圖書館大數(shù)據應用研究[J].新世紀圖書館，2018（10）：47-51.

[6]劉海鷗，陳晶，孫晶晶，張亞明.面向大數(shù)據的移動數(shù)字圖書館情境化推薦系統(tǒng)研究[J].圖書館工作與研究，2018（9）：58-64.

[7]曹紅兵，唐秋鴻，唐小新，李高虎，高嵩.物聯(lián)網環(huán)境下的高校圖書館個性化服務體系構建[J].情報理論與實踐，2011，34（3）：70-76.

[8]唐斌.圖書館精準服務：內涵、機制與應用[J].圖書館工作與研究，2017（5）：9-13.

[9]劉海鷗.面向云計算的大數(shù)據知識服務情景化推薦[J].圖書館建設，2014（7）：31-35.

[10]趙冉.基于云計算平臺的圖書館混合推薦技術研究[J].現(xiàn)代電子技術，2019，42（23）：145-149.

[11]尹婷婷，曾憲玉.深度學習視角下圖書館館藏資源推薦模型設計與分析[J].現(xiàn)代情報，2019，39（4）：103-107，124.

[12]史艷麗.高校圖書館社交媒體閱讀推廣實證研究[J].圖書館論壇，2018，38（1）：86-91.

[13]明均仁，周知，陳雪.閱讀推廣推薦書目的自動生成研究[J].圖書館論壇，2017，37（10）：94-99，113.

[14]王順箐.以用戶畫像構建智慧閱讀推薦系統(tǒng)[J].圖書館學研究，2018（4）：92-96.

[15]丘瑜.移動互聯(lián)網時代網絡圖書推薦模式比較研究[J].圖書館學刊，2015，37（11）：128-131.

收稿日期：2021-07-28

作者簡介：趙衍（1978—），男，博士，副教授，上海外國語大學信息技術中心。研究方向：文本挖掘;楊喆涵，男，上海外國語大學國際工商管理學院技術經濟及管理專業(yè)，2019級碩士研究生。研究方向：信息管理與數(shù)字營銷。