基于知識圖譜和讀者特征的圖書館智能檢索與推送研究

分類號 G250.76" DOI10.16810/j.cnki.1672-514X.2025.06.008

Research on Library Intelligent Retrieval and Push Based on Knowledge Graph and Reader Characteristics

Liu Piaopiao， Chen Chen

AbstractTraditionalibraryretrievalsystemsoftenrelyonkeywordmatching，struggling tocaptureusers’deep-seatedneds， resulting inloweficiencyandpooruserexperience.Thisstudyanalyzesuserscenariorequirements inlibraryretrevalservices， designs theoverallframeworkandcoremodules，and integrates multi-dimensionalreadercharacteristics withknowledgegraph technology.Bycombining usersearch intent withtheknowledge graph，thesystemunderstandsand identifiesuserintentionsto deliverpersonalizedrecommendations.Theproposedmethodaccuratelyparsesretrievalintentions，achieves intellgentresource filtering and dynamicrecommendations，demonstratingsuperiorperformanceinresource discovery，result presentation，and user-centricrecommendationscomparedtotraditional services.Experimentalresultsshowsignficantimprovements inrecall rate，responsespeed，andusersatisfaction，providinganeectiveapproach for transforming libraryknowledgesrices.

KeywordsKnowledge graph.Readercharacteristics.Intelligentretrieval. Recommendersystems.Natural languageprocesing.

0 引言

隨著互聯網技術的飛速發展和數字資源的日益豐富，圖書館不僅需要存儲海量的信息資源，更需要提供一種高效、精準的方式來幫助讀者從中篩選出有價值的信息。因此，使用新型技術和工具提升圖書館智能化、個性化服務是圖書館界近些年需要重點關注的研究方向。近年來，智慧圖譜、深度學習、神經網絡等技術在提升智能檢索與推送服務上展現了巨大的應用潛力。知識圖譜作為一種結構化的、語義豐富的數據表示方法，它通過構建實體、屬性和關系之間的圖模型，將現實世界中的復雜信息以更加直觀、易于理解的方式呈現出來。在圖書館領域，知識圖譜的應用能夠打破傳統檢索系統的局限，實現對圖書館資源的深度挖掘和有效利用。通過將圖書館的館藏資源、學科分類、作者關系、引用關系等多源異構數據整合到知識圖譜中，可以構建一個全面、準確的圖書館知識庫，為智能檢索和個性化推送提供堅實的語義基礎。同時，讀者作為圖書館服務的核心對象，其特征和需求是驅動圖書館服務創新的重要因素。通過收集和分析讀者的行為數據、閱讀興趣、學術背景等信息，可以構建出讀者的個性化畫像，為智能推送提供有力的支持。

1相關研究

近年來，知識圖譜作為人工智能領域的重要組成部分，在各個領域都有較多的應用。支鳳穩等運用主題建模技術，精準提煉出特定領域內的關鍵研究議題，進行深度文本挖掘，有效地從海量學術文獻中抽取關鍵的三元組信息，進而構建了詳盡且結構化的領域學術知識圖譜]。何建平創新性地提出了一個依托異構數據源的疾病知識圖譜構建框架，該框架不僅融合了多種類型的數據源，包括臨床記錄、科研文獻、患者反饋等，還充分考慮了數據的多樣性和復雜性，為疾病知識圖譜的構建提供了新穎且高效的思路[2]。知識圖譜作為一種強大的知識組織和管理工具，在圖書館服務中同樣展現出巨大的潛力。通過構建圖書館知識圖譜，可以系統地整合館藏資源、用戶行為、學科關系等多維度信息，為推薦系統提供更加全面、深人的數據支持。程秀峰等在智慧圖書館的建設過程中通過繪制智慧圖書館技術元素知識圖譜，為智慧圖書館的建設提供技術參考[3]。陳茫4、趙衍等5強調知識圖譜在個性化推薦中的應用潛力，能夠利用高校圖書館積累的大數據資源，實現更精準的圖書推薦。陳玲洪等在構建讀者一圖書知識圖譜的過程中，采取了一種綜合性的策略，通過融合圖書主題模型與讀者畫像技術，深入剖析圖書間的內在語義聯系及讀者的個性化偏好[。

盡管知識圖譜在多個領域，包括學術文獻分析、疾病知識管理及圖書館服務中展現了其強大的潛力和應用價值，但將讀者特征深度融合于智能檢索與推薦的研究中，仍存在較大的探索空間。因此，本文基于知識圖譜技術，以讀者為中心，探索圖書館智能檢索環境下的用戶需求，設計圖書館智能搜索與推送系統總體框架及技術路線，進一步提高檢索效率和推薦的準確率，為用戶提供更個性化、智能化的服務。

2需求場景分析與核心模塊設計

2.1檢索需求場景分析

圖書館智能檢索服務需要準確理解讀者自然語言問句中的檢索意圖，并對其進行解析，這是實現檢索與推送準確性的重要前提，主要包括但不限于實體識別、屬性篩選、關系推理。實體、實體的屬性、實體之間存在的特定關系這些組合起來構成“檢索場景”；通過系統梳理和列舉這些場景，我們能夠清晰地識別出每個場景中用戶可能關注的各個要素及其相互關系。這一過程不僅有助于我們精確地定義用戶的檢索意圖，還能為系統提供豐富的參考，以便在相同或類似的場景下，自動生成多種提問模板，從而實現對用戶復雜多變需求的全面覆蓋和高效響應。以問句“請推薦兩本周志華教授在2022年以清華大學出版社出版的關于人工智能的暢銷書”為例，系統需識別出圖書主題、作者姓名、出版時間、出版社、書籍數量等需求關鍵詞，通過“出版\"等詞匯判斷實體及其屬性間的關系。

圖書館智能檢索需要為讀者提供簡單易理解的操作頁面，實現精準和快速的信息檢索和個性化推送。這不僅要理解讀者的檢索語句，深入分析其檢索意圖，將檢索結果以清晰明了的方式反饋給讀者，而且要支持讀者對結果進行進一步的處理和操作，實現對檢索結果的靈活操作、深度理解及高效利用。在圖書館智能檢索環境下的用戶操作需求，如表1所示。

表1圖書館智能檢索環境下的用戶需求示例

2.2 總體設計

本系統以用戶需求為核心，通過融合知識圖譜、用戶行為分析與人工智能技術，構建“意圖理解一智能檢索一資源推薦”一體化服務框架，旨在實現精準語義解析、跨領域知識關聯與個性化資源推送，包含以下三大核心模塊。

一是自然語言解析與意圖理解。此模塊突破傳統關鍵詞匹配的局限性，實現復雜查詢意圖的精準解析與語義擴展。特別是在處理跨學科領域專業術語與概念時，需定制化開發高效的自然語言解析工具。在智慧圖書館的場景中，要明確圖書館的具體需求，包括用戶群體、資源類型、查詢場景等，還要對用戶查詢語句進行深入分析，包括詞法分析、句法分析、語義分析等，以提取出用戶查詢的真實意圖和相關信息。同時整合圖書館分類法、領域敘詞表及開放知識庫等構建和維護一個包含跨學科領域專業術語、概念及其關系的知識庫，以支持對專業查詢的準確解析。

二是知識圖譜構建與數據融合。參考圖書館館藏資源、科研項目數據庫、專家學者信息庫、機構數據庫、期刊標準庫等多源數據，這些數據源為構建過程提供了豐富且多樣化的信息基礎。通過結合現有的敘詞表以實現術語的統一與標準化，運用元數據標準來規范數據的描述與組織，以及借助關聯數據技術來建立數據間的語義鏈接，對多元化的圖書資源進行特征分析與梳理。采用標準設計模式層，定義核心實體（文獻、作者、機構、主題）及關系（引用、合作、隸屬）。通過實體對齊工具消除數據冗余，利用圖數據庫存儲實體一關系三元組。基于增量式爬蟲技術實時捕獲新入庫資源，結合主動學習策略優化實體鏈接與關系抽取模型，確保知識圖譜的時效性與覆蓋度。

三是智能檢索與推送交互技術的研發。此步驟聚焦于提升系統與用戶之間的交互體驗，解決從理解用戶自然語言輸入，到將自然語言轉換為高效查詢語句，再到處理用戶復雜查詢與指令，并最終以精準方式呈現檢索結果的全過程。具體而言，通過檢索意圖理解技術解析用戶真實需求，利用檢索意圖形式化轉換技術將自然語言轉化為系統可執行的查詢語句，通過人機自然語言對話管理技術優化對話流程，最后通過智能化的檢索結果呈現與交互技術，設計多模態交互界面，為用戶提供直觀、便捷的檢索體驗與個性化推送服務。

3基于讀者特征的知識圖譜構建

3.1讀者特征分析

讀者特征是圖書館知識圖譜構建中至關重要的一環，它涉及對讀者群體的深人了解和分析。在圖書館知識圖譜的構建中，讀者特征分析主要涵蓋以下四個維度。1）基本特征：包括讀者的年齡、性別、職業和教育背景等靜態信息，用于刻畫用戶的基本屬性；（2）行為特征：通過借閱記錄、借閱時長、訪問時段等數據，反映讀者的圖書館使用習慣和活動規律；（3）閱讀偏好：聚焦讀者偏好的書籍類型、主題領域以及喜愛的作者，揭示其閱讀興趣方向；（4）交互特征：記錄用戶與圖書館系統的互動行為，如評論分享內容、反饋建議以及在線活動記錄。這些特征共同構成對讀者群體的多維度畫像，為優化圖書館服務和知識推薦提供數據支持。

3.2圖書館知識圖譜構建

圖書館知識圖譜以圖形化的方式結構化表達知識，將圖書館中的海量數據轉化為由實體、屬性和關系構成的網絡。這種結構化的表示方式使得信息檢索更加直觀、高效，用戶能夠更快地定位到所需信息。通過構建知識圖譜，為后續的智能檢索與個性化推送提供了強大的知識支撐。

（1）數據采集及預處理。知識圖譜的構建過程首先涉及對海量、異構的圖書館數據進行采集及預處理。智慧圖書館的數據采集旨在全面、準確地收集圖書館運營過程中的各類信息，包括但不限于圖書信息、讀者信息、借閱信息、服務使用情況等，以便為智慧圖書館的日常管理與智慧服務提供堅實的數據支撐。主要采集讀者特征數據，包括姓名、性別、年齡、學歷、愛好等數據；讀者行為數據，包括閱讀搜索的內容、訪問路徑、評價、轉發等反饋行為；讀者情境數據，包括閱讀的時間、位置、方式和場景等數據，具體數據內容見表2。

表2圖書館數據內容與采集方式

續表2

數據預處理包括數據清洗、轉換、標準化和格式化，旨在將讀者特征數據、行為數據及情境數據轉化為推薦系統能夠高效處理的形式。收集到的原始數據往往存在數據離散、冗余、錯誤、確實、格式不一等問題，需要通過預處理步驟進行清洗、轉化、格式化等操作，確保數據的質量和一致性。對于結構化數據，我們使用Sqoop等工具作為橋梁，連接關系數據庫與Hadoop分布式文件系統（HDFS），實現結構化數據的批量整合]。同時，借助OracleData Integrator（ODI）工具和ETL工具進行跨系統數據映射，對數據進行歸一化，確保數據的一致性和完整性;對于非結構化數據，如用戶交互日志，使用Flume等工具進行實時監控和自動處理，并將處理后的非結構化數據存儲在適當的存儲系統中，如HDFS或分布式對象存儲系統。

（2）融合讀者特征的圖書館知識圖譜本體構建。知識圖譜本體是知識圖譜的核心組成部分，它定義了領域內概念、實體及其之間的關系和屬性，是構建知識圖譜的基礎框架[]。圖書館知識圖譜本體應涵蓋圖書館學、信息科學、數據管理等多個領域的核心概念和實體，如圖書、期刊、作者、圖書館機構等，并與讀者特征信息相結合，如圖1所示。

圖1圖書館知識圖譜本體概要模型

該本體模型中包含圖書、期刊、作者、出版社、主題、讀者等實體類型，實體之間存在的關系包括創作、借閱、發表、收錄等。除上述基本屬性外，還需根據實際需求定義更多細粒度屬性，如圖書的“摘要\"\"主題詞”，期刊的“出版周期”，作者的“研究方向”“學術成就\"等，以豐富知識圖譜的語義信息?；趯ψx者問句的解析，定義實體、關系及屬性，實現對讀者檢索意圖的識別，精準把握讀者需求。

圖書館知識圖譜本體主要側重于描述圖書館資源及其相關活動的核心特征，包括但不限于圖書、期刊、作者、讀者、圖書館機構等關鍵實體，以及這些實體間復雜多樣的關系與屬性。通過構建這樣的本體，我們旨在解決傳統圖書館信息系統中存在的數據孤島問題，促進跨領域知識的無縫融合與共享。傳統檢索方式依賴資源的外部特征（如標題、作者、出版年份等），雖能實現基礎信息檢索，卻難以滿足用戶對知識深層關聯挖掘與精準定位的需求。為此，本研究通過知識圖譜的彈性數據結構，引入語義標簽，如主題詞作為跨領域知識聯結的紐帶，實現圖書館資源與外部知識庫的深度語義整合。以用戶查詢“請幫我查找2016年清華大學出版社出版的，關于計算機科學相關領域的、由周志華老師參與撰寫的書籍”為例，圖2展示了用戶檢索意圖與相關領域知識圖譜的結合。

圖2用戶檢索意圖與相關領域知識圖譜的結合

4智能檢索意圖理解與識別

檢索意圖是用戶在執行搜索查詢時其真實需求和目的的表現。用戶的查詢意圖往往是復雜的，可能包含具體的搜索目標，也可能只是模糊的信息需求。傳統的檢索方式往往依賴于精確的關鍵詞，而智能檢索支持自然語言問句、語音輸入等方式可以理解復雜查詢需求，探析讀者的真實意圖，并據此調整檢索策略和結果呈現方式。因此，智能檢索意圖理解與識別關鍵在于如何利用人工智能相關技術將用戶查詢語句轉換為具體的檢索意圖表示。

在圖書館的智能檢索中，核心環節之一是精確識別各類關鍵實體，諸如書名、作者、核心主題、出版年份、出版社及期刊名稱等。這一任務依賴于高效的自然語言處理（NLP）工具集，如jieba分詞器與LTP等，它們能有效提升實體識別的準確率，將用戶查詢中的關鍵詞精準歸類至相應的實體與屬性，形成結構化的鍵值對集合。然而，面對書名、作者名、主題及期刊名等實體常見的一詞多義現象，“計算機”一詞便是典型例證，它既可能代表具體書名，也可能是期刊名稱，或是文章探討的主題。為應對此類挑戰，系統需結合業務邏輯與上下文語境進行智能分析。具體而言，通過捕捉諸如“關于\"“探討”等引導性詞匯，可以輔助判斷“計算機\"作為書名或主題的情境；而“發表于”“刊登在”等表述則可能指向其為期刊名稱的上下文。除了基于關鍵詞的正則表達式匹配外，還可運用依存句法分析技術，構建語義結構樹，深人剖析實體間的復雜語義關聯，進而提升實體類型識別的精準度。

針對那些難以僅憑上下文直接歸類的新詞或專業術語，尤其是可能橫跨書名、作者及出版機構等多種類別的詞匯，系統需進一步依托知識圖譜進行全局性搜索。通過比對知識圖譜中的豐富信息，系統能快速定位并返回最符合查詢意圖的鍵值對結果，確保即便面對復雜多變的查詢場景，也能實現高效且準確的實體識別。

在圖書館智能檢索場景下，通過關系抽取技術，識別實體之間的關系，例如圖書與作者之間的創作關系，書籍與主題的關聯關系等，可以幫助系統更好地理解查詢的上下文和細節。在處理存在歧義的情況時，可以使用正則表達式和依存分析的方法來進行關系匹配和消歧。舉例來說，若用戶在智慧圖書館檢索系統中輸人查詢“張偉的論文和管理的基金”，系統首先對文本進行實體識別和關系提取，然后通過依存分析識別“張偉”與“論文”的關系為“撰寫”，與“基金”的關系為“管理”。這樣，即便在輸入查詢中存在多種潛在關系，系統也能準確解析并檢索到正確的信息。此外，針對那些未能通過整體識別流程成功解析的檢索查詢，系統應內置一套備用處理策略。該策略涉及將原始文本進行細致的分詞處理，隨后利用分詞結果，在預先界定的廣泛檢索領域內執行全局性的搜索操作。這樣的策略確保即使在自動化關系識別失敗的情況下，用戶仍能獲得相關的搜索結果，增強智慧圖書館智能檢索系統的魯棒性和用戶體驗。

利用深度學習模型和定制模板方法，解析用戶的自然語言問句，將其轉換為具體的檢索意圖表示。這包括確定用戶想要查找的信息類型（如書籍、期刊文章、研究報告等），以及用戶對檢索結果的具體要求（如排序方式、篩選條件等）。通過自然語言處理技術，理解用戶查詢中的語義信息，例如區分“關于人工智能的書籍”和“由人工智能撰寫的書籍”之間的不同含義。將解析后的檢索意圖轉化為系統能夠執行的檢索命令，查詢相應的數據庫或知識圖譜，以獲取符合用戶需求的結果?？紤]用戶的歷史行為和當前查詢上下文，以提供更加個性化和高相關度的檢索結果。檢索意圖理解與識別通過高級的自然語言處理與機器學習技術，系統能夠將復雜的用戶意圖轉化為結構化的表示形式，這一表示不僅清晰地界定了檢索目標，還詳盡地闡述了用戶的信息需求。

5個性化推薦與結果生成

5.1 特征建模

（1）讀者特征向量。讀者特征向量通常包含多個維度的信息，這些信息可以通過用戶的行為數據、屬性數據、偏好數據等獲得。在構建讀者特征向量的過程中，我們采用了一種綜合方法，旨在精準捕捉讀者的興趣偏好及當前推薦情境。首先，利用TF-IDF技術深度分析讀者數據，從中提取出關鍵的興趣實體及情境屬性[]。其次，利用Node2vec算法捕捉到讀者與圖書之間的直接和間接關系，將它們之間的交互關系轉化為異質圖。再次，通過模擬讀者在圖上的隨機游走路徑，將異質圖的結構信息轉化為低維、密集的向量表示，作為讀者向量的初步形態。同時，利用Word2vec模型對圖書的特征進行向量化處理，以便在異質圖中統一表示。為了進一步提升特征向量的準確性和全面性，引入EGES算法的思想，在圖嵌人的過程中融入節點的側信息（如讀者的專業背景、群體類型等靜態特征），通過平均池化等技術手段將這些特征融合到讀者向量中。這樣生成的最終讀者特征向量不僅可以增強讀者向量的個性化程度，還能更好地反映讀者在不同情境下的興趣偏好和需求變化。

（2）圖書資源向量。在圖書資源向量的構建過程中，我們采用了一種結合嵌入模型與圖結構分析的方法。首先，通過嵌入模型（如TransE）將圖書及其相關知識圖譜中的實體轉換為初始的向量表示（Embedding），這些向量捕捉了圖書的基本屬性及其在圖譜中的位置關系。接下來，為了豐富圖書向量的語義信息，我們構建了一個基于讀者興趣實體的圖結構上下文。具體而言，我們根據讀者興趣實體在圖譜中的連接，擴展出一個包含相關屬性和關系的子圖，這個子圖通過限定的跳數來界定范圍，以確保既不過于寬泛也不過于狹窄。在生成子圖后，我們提取了與自標圖書實體直接相連的實體（即一跳鄰居節點context），并計算這些鄰居節點Embedding的平均值，以此作為圖書實體的上下文向量（公式1）。

由于初始圖書向量和上下文向量可能來自不同的學習模型或具有不同的維度，我們采用了一種非線性映射方法（如通過tanh函數與權重矩陣和偏置向量的組合）來將它們轉換到同一特征空間（公式2）。

最后，我們將初始圖書向量與經過映射的上下文向量拼接起來，形成一個更為豐富的圖書表示。這個表示隨后被輸人到一個softmax層中，用于預測讀者借閱圖書的概率分布。生成的最終圖書向量，由于其融合了多方面的信息，被視為對圖書的全面描述，并被存儲到內存數據庫中，以便后續的檢索、推薦等應用。

5.2推薦結果生成

我們利用余弦相似度計算讀者特征向量與圖書資源向量之間的相似度（公式3），這些相似度分數反映了讀者對每本圖書的潛在興趣程度。通過設定一個閾值或根據相似度分數進行排序，我們可以初步篩選出讀者可能感興趣的圖書列表。

其中， r 是讀者特征向量， b 是圖書資源向量。根據相似度計算結果，我們可以為每位讀者生成一個候選圖書列表。通常，我們會選擇相似度最高的前 N 本圖書作為候選集，其中 N 是一個預設的常數，表示推薦列表的長度。候選集生成后，我們還需要根據其他因素（如圖書的流行度、讀者的歷史借閱記錄等對候選集進行加權排序。例如，為兩個推薦因素相似度（Similarity）和流行度（Popularity）分配不同的權重，并計算每個候選圖書的綜合得分，再根據綜合得分對候選集進行排序。

其中， a 是相似度的權重， 1-a 是流行度的權重，且 0?α?1 。

除了基于內容的相似度計算外，還可以引入了協同過濾技術來進一步提升推薦效果。協同過濾可以分為用戶基協同過濾和物品基協同過濾兩種[12]。在用戶基協同過濾中，我們找到與目標讀者興趣相似的其他讀者群體，并推薦這些讀者群體喜歡但目標讀者尚未接觸過的圖書。在物品基協同過濾中，我們則關注與目標圖書相似的其他圖書，并推薦給那些喜歡目標圖書的讀者。

5.3推送結果呈現與交互

推送結果的呈現與交互是直接影響用戶體驗的重要環節。圖書館系統可以通過多模態的結果展示和便捷的交互方式，使讀者能夠直接、高效的讀取到信息。圖書館的智能搜索與推送系統需要重點解決多模態內容展示、智能排序與分類、實時反饋機制等問題。

首先，多模態內容展示問題。多模態資源包括文本、圖片、視頻等，可以根據用戶的檢索意圖，設計直觀又符合讀者興趣的推薦列表和詳情頁面，在頁面主視覺區優先推送用戶偏好的資源類型，利用圖文、視頻、動畫等表現形式豐富頁面，提高用戶的閱讀興趣和互動性。并在推送結果呈現上，進行個性化界面設計和多樣化內容展示。根據用戶的偏好和行為習慣，動態調整界面整體布局和風格，如顏色主題、字體大小等，為讀者提供個性化的閱讀服務。

其次，智能排序與分類問題，基于BM25、TF-IDF等算法和讀者的歷史行為數據，對檢索結果進行智能排序，并結合深度學習中的模型、方法提高排序的精準度，確保檢索與推薦的結果是讀者最需要的內容。利用分類標簽或目錄，將圖書資源進行分類，幫助用戶在搜索自己感興趣的內容領域時，能精準推送相關結果。

最后，實時反饋機制問題，在讀者與系統進行交互時，要為讀者提供實時的反饋提示（如加載狀態、推薦理由等），增強用戶的參與感和信任度。還要允許用戶對推薦結果進行點贊、收藏、分享、評論等操作，并不斷收集用戶的反饋意見，以優化檢索效率和推薦策略，提升讀者滿意度。

6結語

在圖書館服務領域，知識圖譜、自然語言處理等前沿人工智能技術的深度融合與應用正不斷推動著圖書館服務向更加個性化和智能化的方向邁進[13]。這種技術的融合不僅讓圖書館能夠深刻理解并精準把握讀者的多樣化檢索需求，還通過融入讀者特征和數據分析，為讀者推送高度契合其興趣與研究需要的圖書資源。相較于傳統的圖書館文獻檢索方式，其展現出了多方面的創新優勢，在用戶輸入方面，該系統支持自然語言輸入，降低了檢索門檻；在智能檢索上，依托龐大的知識圖譜和智能算法，實現了資源的深度整合與高效匹配；在使用結果上確保檢索結果的準確性和相關性。這些優勢共同構成了智慧圖書館智能檢索與推送系統的重要價值，為圖書館服務的現代化轉型和高質量發展提供了有力支撐[14]。在后續工作中，筆者將基于當前的研究框架與實現策略，構建圖書館多領域多維度的知識圖譜，并加強多源知識組織體系與深度學習的融合，結合技術與實際應用驗證其有效性和實用性。未來研究可進一步探索多源知識融合、研發檢索與推送交互技術，提出更好的推薦方法。

參考文獻：

[1］支鳳穩，陳佳琪，孫若陽，等.基于知識圖譜的數字記憶領域知識發現研究[J]情報科學，2024，42（9）：123-134.

[2]何建平.基于異構數據源的疾病知識圖譜構建研究[D].武漢：武漢大學，2020.

[3]程秀峰，曹琪，蔣開宸，等.智慧圖書館建設過程中技術元素分析及知識圖譜構建研究[J]圖書情報工作，2024，68（9）：123-136.

[4]陳茫.面向高?？蒲袆撔碌膱D書館智能服務研究[D].哈爾濱：哈爾濱工業大學，2021.

[5]趙衍，楊喆涵.基于知識圖譜的我國高校圖書館個性化推薦研究綜述[J].上海管理科學，2021，43（5）：116-124.

[6]陳玲洪，潘曉華.基于知識圖譜和讀者畫像的圖書推薦研究[J].數據分析與知識發現，2023，7（12）：164-171.

[7]陳博立，鮮國建，趙瑞雪，等.科技文獻問答式智能檢索總體設計與關鍵技術探析[J].中國圖書館學報，2023，49（3）：92-106.

[8]孫海蒂，閻靜輝，陳冉.高校圖書館智能化信息檢索系統建設探析[J].綏化學院學報，2023，43（2）：139-141.

[9]于金良，朱志祥，梁小江.一種基于Sqoop的數據交換系統[J].物聯網技術，2016，6（3）：35-37.

[10]林茂，李佳駿，郭偉，等.基于知識圖譜的產品適應性設計輔助決策方法[J].包裝工程，2023，44（8）：48-60.

[11]孫雨生，祝博，范穎.知識圖譜加持的智慧圖書館信息推薦技術體系構建[J]圖書館論壇，2023，43（10）：77-87.

[12]韋靈，黎偉強.基于Hadoop平臺的個性化新聞推薦系統的設計[J].微型機與應用，2016，35（23）：21-23，27.

[13]郭利敏，付雅明.以大語言模型構建智慧圖書館：框架和未來[J].圖書館雜志，2023，42（11）：22-30，133.

[14]馬湘萍.圖書館智能服務的現在與未來[J].新世紀圖書館，2023（12）：9-13.

劉飄飄蘭州財經大學信息工程與人工智能學院碩士研究生。甘肅蘭州，730020。陳臣蘭州財經大學信息工程與人工智能學院教授、碩士研究生導師。甘肅蘭州，730020。（收稿日期：2024-09-19編校：陳安琪，曹曉文）