基于摘要內容過濾算法的高校圖書館文獻資源個性化推薦系統研究

中圖分類號：G250 文獻標識碼：A DOI：10.13897/j.cnki.hbkjty. 2025.0052

隨著信息技術的飛速發展和信息資源的爆炸式增長，高校圖書館作為知識傳播與學術研究的重要陣地，面臨著如何高效、精準地為用戶提供所需文獻資源的巨大挑戰。在海量文獻資源中，用戶往往難以快速定位到真正符合其研究興趣和需求的內容，這不僅影響了科研效率，也制約了知識創新的步伐。因此，探索一種能夠有效提升文獻資源利用率的個性化推薦方法顯得尤為重要。個性化推薦技術，作為解決信息過載問題的有效手段，已廣泛應用于電商、社交媒體、微商等多個領域[1。在高校圖書館場景下，個性化推薦技術主要通過分析用戶的借閱記錄[2]、瀏覽行為[3]、研究興趣等多維度數據[4]，構建用戶畫像[5]，并結合機器學習、自然語言處理等技術[6]，實現文獻資源的智能匹配與推送。這種以用戶為中心的服務模式8，不僅能夠滿足用戶的個性化需求，還能促進圖書館資源的優化配置，提升整體服務水平。

本研究通過文獻綜述梳理現有文獻資源推薦算法的研究進展與不足，根據工作實際進行基于摘要內容過濾算法的高校圖書館個性化推薦系統框架設計和研究，其意義在于為高校圖書館提供一套切實可行的個性化推薦解決方案，為相關領域的研究提供理論參考與借鑒。

1相關理論基礎與技術綜述

1.1 理論基礎

1.1.1信息檢索理論

信息檢索（IR）理論是個性化推薦系統的重要理論基礎之一。在高校圖書館的個性化推薦系統中，IR理論幫助我們理解用戶信息需求的表達和滿足方式，以及如何通過關鍵詞、主題詞等2途徑進行有效信息檢索和過濾，包括布爾檢索模型[、向量空間模型（VSM）[9]、概率檢索模型等[4]。

1.1.2機器學習理論

機器學習（ML）是實現個性化推薦系統的關鍵技術。ML算法通過學習數據中的模式和規律，構建預測模型，從而實現對用戶興趣和文獻資源的精準匹配，包括監督學習算法、無監督學習算法、深度學習[8]。在個性化推薦中，深度學習可用于文本表示、用戶興趣建模和推薦生成[9]。

1.1.3 自然語言處理理論

自然語言處理（NLP）技術在個性化推薦系統中發揮著重要作用。NLP技術通過分析和理解自然語言文本，提取文本中的關鍵信息，實現文本的自動摘要、語義分析和主題建模，包括文本預處理、文本表示、特征提取。

1.1.4用戶行為分析理論

用戶行為分析是個性化推薦系統的重要組成部分。通過分析用戶的瀏覽歷史[1]、借閱記錄4]、搜索關鍵詞[3]、評分反饋等行為數據[2]，揭示用戶的行為模式和偏好[8]，為個性化推薦提供數據支持，包括關聯規則挖掘[9]、序列模式挖掘[10]、時間衰減模型[11]。

1.1.5推薦系統理論

包括基于內容推薦、協同過濾推薦、混合推薦、深度學習等推薦系統理論。基于內容的推薦系統理論是通過分析用戶過去喜歡的內容特征，尋找具有相似特征的新內容進行推薦。這種方法特別適用于內容特征豐富且易于提取的場景，如文獻資源推薦[9]。通過分析文獻的標題、摘要、關鍵詞等特征1o，構建內容特征向量[12]，實現與用戶興趣的匹配[11]

1.2技術綜述

1.2.1 摘要內容過濾技術

摘要內容過濾技術是信息檢索和推薦系統中的核心環節，是通過一系列精細的文本處理技術，實現對信息的有效篩選和精準匹配[9]。這一技術主要包括摘要生成、文本表示和特征提取等關鍵技術。

摘要生成：內容過濾的起點，旨在從原始文本中提取出最能概括主旨的簡短文本。通常通過自動摘要算法實現，如基于統計的 TF-IDF^[11] 、Tex-tRank[13]，或基于深度學習的BERT模型等[8]，它們能夠識別文本中的關鍵信息，生成既簡潔又準確的摘要，為后續處理提供高質量的輸入[9。

文本表示：將文本數據轉換為機器可理解的格式。常用的方法包括詞袋模型、TF一IDF、詞嵌入（如Word2Vec、GloVe）等[3]。這些技術將文本轉換為向量，使得文本之間的相似度可以通過計算向量間的距離來衡量，為內容過濾和推薦提供了基礎[13]。

特征提取：是進一步從文本表示中挑選出最能代表文本特性的元素。這通常涉及降維技術，如主成分分析（PCA）、線性判別分析（LDA）等[5]，以及特征選擇算法，如卡方檢驗、互信息法等[9]。特征提取能夠減少數據冗余，提高計算效率，同時保留關鍵信息，提升內容過濾的準確性[14]。

在內容過濾和推薦系統中，這些技術協同工作，首先通過摘要生成簡化文本，然后通過文本表示和特征提取將文本轉換為可計算的格式，最后基于這些表示和特征，運用相似度計算、分類算法等，實現內容的精準過濾和個性化推薦，為用戶提供高效、精準的信息服務。

1.2.2個性化推薦系統

個性化推薦系統是基于用戶的歷史行為、興趣偏好、上下文信息等多維度數據4，通過算法模型預測用戶可能感興趣的內容或服務，并實現精準推送的信息系統[8。其基本原理在于通過對用戶和內容的深入理解，構建用戶與內容之間的關聯模型，從而實現個性化匹配[1]]

個性化推薦系統通過不斷優化算法模型，在提升用戶體驗的同時促進文獻根據用戶需求及時分發和利用，成為連接用戶與信息的橋梁，推動信息時代的個性化服務發展[14]。基于內容的推薦方法尤其適用于內容屬性明確、用戶興趣相對穩定的場景，如高校圖書館，通過分析用戶借閱歷史和瀏覽行為，精準推薦與其研究方向和學術興趣相關的文獻資源，提升資源利用效率和用戶滿意度9]。

2摘要內容過濾算法的優勢及其在高校圖書館文獻推薦中的適用性

2.1高校圖書館文獻資源特點及對推薦系統設計的影響

高校圖書館文獻資源具有顯著的特殊性，主要體現在學科廣泛性、專業性和時效性等方面，這些特性對推薦系統的設計提出了獨特的要求和挑戰：

（1）學科廣泛性要求推薦系統能夠處理跨學科的文獻資源，構建全面的知識圖譜，以滿足不同學科背景用戶的需求[15]。系統需具備跨學科推薦能力，能夠識別用戶興趣的多維性，提供跨領域的文獻資源，促進知識的交叉融合。

（2）專業性體現在強調文獻資源的深度和準確性，要求推薦系統能夠精準識別用戶的專業需求和研究方向，提供高質量的學術文獻[16]。系統需集成專業詞匯表和學術數據庫，運用精細的文本分析技術，如語義分析和主題建模，以確保推薦的專業性和權威性。

（3）時效性則要求推薦系統能夠快速響應學術前沿動態，及時推薦最新發表的文獻資源[16]。系統需設計高效的實時更新機制，跟蹤學術動態，確保用戶能夠獲取到最新的研究成果和資訊，保持學術研究和學習的前沿性。

這些特殊性要求推薦系統在設計時要充分考慮學科交叉、專業深度和時效敏感等因素，通過集成先進的文本處理、機器學習和用戶行為分析技術，構建智能化、個性化的推薦模型，以滿足高校圖書館用戶復雜多變的信息需求，提升資源的利用效率和學術影響力。

2.2高校圖書館文獻資源推薦系統的應用現狀

當前高校圖書館文獻資源推薦系統的應用現狀呈現出一定的普及與探索態勢。隨著大數據與人工智能技術的發展，越來越多的高校圖書館開始引入推薦系統，以提升文獻資源的利用率和用戶滿意度[4]。推薦系統采用的技術從簡單的基于規則的推薦到復雜的協同過濾、內容過濾乃至混合推薦等，體現了技術應用的廣泛性[13]。部分圖書館建立了用戶反饋機制，用于收集用戶對推薦結果的滿意度，以便持續優化推薦算法[8]

高校圖書館文獻資源推薦系統普遍存在的問題包括：冷啟動問題。對于新用戶或新人庫的文獻資源，由于缺乏歷史交互數據，推薦系統難以準確生成個性化推薦[13]。內容理解深度不足，推薦系統往往僅依據文獻的表層信息（如標題、作者）進行推薦，忽視了文獻內容的深層次理解，導致推薦精度有限。基于摘要內容過濾算法在高校圖書館文獻推薦系統的應用可以較好應對這兩個問題[9]。

2.3摘要內容過濾算法的優勢及其在高校圖書館文獻推薦中的適用性

摘要內容過濾算法是一種基于文本內容進行分析和處理的推薦算法，旨在通過提取文本摘要中的關鍵信息，并根據用戶興趣或查詢需求進行相似度計算，從而為用戶推薦最相關的內容。該算法主要應用于信息檢索、個性化推薦、文本分類等領域，能夠有效處理大量文本信息，提高信息篩選和推薦的準確性和效率[4]。在實際應用中，該算法需要不斷優化和迭代，以適應用戶需求和場景的變化。摘要內容過濾算法在處理長文本、捕捉文本核心信息等方面具有顯著優勢，非常適用于高校圖書館的文獻推薦場景[14]。通過應用該算法，高校圖書館能夠提高文獻推薦的準確性和效率，滿足用戶的個性化需求，促進學術交流和知識共享。其優勢和適用性主要表現于以下幾個方面：

（1）處理大量文獻資源：高校圖書館擁有大量的文獻資源，包括期刊文章、學術論文、圖書等。摘要內容過濾算法能夠高效地處理這些長文本資源，提取出關鍵信息和主要內容，為文獻推薦提供基礎[9]。

（2）提高推薦準確性：通過捕捉文本的核心信息，結合用戶的學科背景、研究興趣和歷史行為數據建模，為高校圖書館的用戶提供最相關的文獻資源，提高用戶的檢索效率和滿意度[8]。

（3）支持多樣化推薦：高校圖書館的文獻資源涉及多個學科領域和主題。摘要內容過濾算法能夠根據用戶的需求和偏好，提供多樣化的推薦結果[8]，如基于主題的推薦、基于作者的推薦、基于引用關系的推薦等，滿足用戶的不同需求。

（4）促進學術交流和知識共享：通過準確的文獻推薦，摘要內容過濾算法能夠促進高校圖書館用戶之間的學術交流[16]。用戶能夠更容易地找到與自己研究領域相關的文獻資源，進行文獻分析和研究探索。

3基于摘要內容過濾算法的高校圖書館文獻資源個性化推薦系統設計

3.1 設計目標

在信息化和知識爆炸的時代，高校圖書館作為知識和智慧的集散地，面臨著如何高效管理和利用海量文獻資源的挑戰。基于摘要內容過濾算法的個性化推薦系統設計，旨在通過智能化手段，精準匹配用戶需求與文獻資源，實現資源的高效利用和用戶體驗的顯著提升。其總體目標可概括為以下三個方面：

（1）提高推薦準確性：通過先進的摘要內容過濾算法，精準捕捉文獻的核心信息，與用戶興趣模型進行高效匹配。

（2）提升用戶滿意度：致力于提供定制化、智能化的服務體驗，通過不斷優化推薦算法和交互界面，滿足用戶多樣化的信息需求。

（3）優化高校圖書館資源利用效率：通過智能化推薦，有效引導用戶發現和利用圖書館中那些可能被忽視的高質量文獻資源，減少資源的閑置和浪費，為圖書館的資源采購、分類、布局提供科學依據。

3.2 系統整體設計

系統采用B/S（瀏覽器/服務器）架構，分為前端、后端和數據庫三層。前端負責用戶界面的展示和交互；后端負責業務邏輯的處理和算法的實現；數據庫負責存儲用戶信息、文獻資源、推薦結果等數據[9]。其整體架構設計如圖1所示。

圖1 系統整體架構（B/S）

3.3核心模塊

系統由7個核心模塊組成（見圖2）。

（1）數據采集模塊：該模塊負責從圖書館數據庫、用戶行為日志、用戶反饋等多種渠道收集文獻資源信息和用戶交互數據。文獻資源信息包括但不限于標題、作者、摘要、關鍵詞、全文等；用戶交互數據則涵蓋瀏覽歷史、借閱記錄、搜索關鍵詞、評分反饋等。

（2）預處理模塊：對采集的數據進行清洗、去重、格式統一等處理，確保數據質量。對于文本數據，還需進行分詞、停用詞過濾、詞干提取等自然語言處理（NLP）基礎操作，為后續分析奠定基礎。

（3）摘要生成模塊：針對每篇文獻，利用自動摘要技術提取其核心內容。采用基于統計的方法（如TF一IDF）或基于深度學習的方法（如BERT模型）生成摘要，確保摘要既簡潔又準確反映原文主旨。

（4）內容過濾模塊：本模塊是系統的核心之一，負責根據摘要內容進行深度分析，過濾掉與用戶興趣不相關或相關性低的文獻。

（5）用戶興趣建模模塊：通過分析用戶的歷史行為數據，構建用戶興趣模型。模型需能夠動態更新，以反映用戶興趣的變化。此模塊還負責計算用戶之間的興趣相似度，為社交推薦等功能提供支持。

（6）個性化推薦模塊：結合內容過濾結果和用戶興趣模型，采用混合推薦算法（如內容同過濾混合模型）生成個性化的文獻推薦列表。推薦結果需考慮多樣性、新穎性和用戶滿意度等多個維度。

（7）反饋調整模塊：收集用戶對推薦結果的反饋（如點擊、閱讀時長、評分等），用于優化各模塊參數，特別是調整用戶興趣模型和內容過濾規則，形成閉環反饋機制，持續提升推薦系統的性能。

圖2系統核心模塊構成

3.4關鍵技術

在構建基于摘要內容過濾算法的高校圖書館文獻資源個性化推薦系統時，我們精選了一系列關鍵技術，以確保系統的智能化、精準化和高效化。這些關鍵技術涵蓋了文本處理、機器學習、用戶行為分析等多個領域，共同構成了系統的核心架構。

（1）文本處理技術：文本處理是系統的基礎，包括分詞、詞性標注、命名實體識別等自然語言處理（NLP）技術[16]。采用先進的NLP工具，如jieba分詞、THULAC等，對文獻摘要進行精細化處理，提取關鍵詞和主題信息，為后續的相似度計算和過濾提供準確的數據基礎。

（2）機器學習算法：在內容過濾和用戶興趣建模中，運用了多種機器學習算法。對于內容過濾，采用基于TF一IDF、Word2Vec等算法的文本向量化技術，結合余弦相似度、Jaccard相似系數等計算文獻與用戶興趣的相似度[15]。在用戶興趣建模上，則采用聚類算法（如K一means）、主題模型（如LDA）以及深度學習算法（如RNN、LSTM）來捕捉和更新用戶興趣的動態變化。

（3）用戶行為分析技術：通過收集和分析用戶的瀏覽、借閱、評分等行為數據，利用關聯規則挖掘、序列模式挖掘等技術，揭示用戶的行為模式和偏好，為個性化推薦提供數據支持[16。同時，引入時間衰減因子和增量學習方法，使系統能夠實時響應用戶興趣的變化。

（4）推薦算法融合：為了提升推薦的精準度和多樣性，融合了內容過濾、協同過濾、基于深度學習等多種推薦算法[16]。通過算法間的優勢互補，保證推薦準確性的同時，兼顧推薦的多樣性和新穎性，提升用戶體驗。

這些關鍵技術的綜合應用，確保了系統能夠高效、精準地為用戶提供個性化推薦服務，同時也為高校圖書館的數字化轉型和智能化管理提供有力支撐。

4 技術實現

4.1摘要內容過濾算法

在基于摘要內容過濾算法的高校圖書館文獻資源個性化推薦系統中，摘要內容的處理流程是核心環節，具體包括文本預處理、特征提取、相似度計算及過濾規則設定等關鍵步驟。

（1）數據預處理：對收集到的用戶閱讀記錄信息和文檔進行數據清理和文本類型轉換，使其滿足模型的數據要求，便于分詞、特征提取和詞向量訓練。

（2）特征提取：利用TF一IDF從預處理后的文本中提取關鍵詞、主題、語義向量等特征[9]。TF代表詞頻，表示一個詞在其文檔中出現的頻率；IDF代表逆文檔頻率，用于評估詞語在整個文檔庫中的分布情況（即詞語對于文檔庫的普遍重要性）；TF一IDF值是通過將TF值與IDF值相乘得到的。在文檔中，一個詞的TF值越高，說明該詞在文檔中出現的頻率越高。IDF值越大，說明該詞在整個文檔庫中的分布越集中。簡而言之，TF一IDF值越高，詞語區分文檔內容屬性的能力越強，權重也越大。根據TF一IDF函數的這一特性，可以從文檔中提取出權重較大的詞語作為能夠代表文檔特征的特征詞。計算公式如下：

（3）相似度計算：本文通過實驗比較了三種相似度計算方案：歐氏距離、余弦相似度和皮爾遜相關性，最終選用了結合余弦值R和匹配度值SIM的方法，以改進基于向量空間模型的原始推薦方法[8]。其中，R是通過從用戶興趣信息和文檔資源信息中提取具有大權重的特征詞的詞向量，并通過余弦公式計算任意兩個詞向量的余弦值而獲得。進一步結合相應的特征詞權重，計算用戶興趣和文檔資源的匹配度值SIM，然后將具有高SIM值的文檔以列表形式推薦給目標用戶。這一步驟是推薦系統的核心，直接決定了推薦的精準度和相關性。

（4）過濾規則設定：根據相似度計算結果，結合用戶偏好、文獻質量、時效性等多維度信息，設定過濾規則[16]。通過設定合理的相似度閾值和其他過濾條件，篩選出最符合用戶需求的文獻資源，實現個性化、高質量的推薦。

4.2高校圖書館用戶興趣建模與更新

在高校圖書館的個性化推薦系統中，用戶興趣建模與更新是實現精準推薦的關鍵環節。這一過程涉及用戶興趣的表示方法、興趣更新機制以及興趣相似度計算策略，旨在精準捕捉用戶興趣并實現動態更新。

用戶興趣的表示方法：用戶興趣通常通過構建興趣模型來表示，常用的方法包括關鍵詞列表、主題分布、向量空間模型等[8]。關鍵詞列表直接記錄用戶感興趣的詞匯；主題分布利用主題模型（如LDA）挖掘用戶興趣的主題分布；向量空間模型則將用戶興趣表示為高維向量，通過向量間的距離或相似度來度量興趣相似度，為后續推薦提供基礎。

興趣更新機制：用戶興趣是動態變化的，因此興趣模型需要定期更新。常用的更新機制包括基于用戶行為的增量更新和基于時間衰減的動態更新[16]。增量更新通過實時追蹤用戶行為（如瀏覽、借閱、評分等），動態調整興趣模型；時間衰減機制則根據用戶行為的時間戳，對興趣模型中的元素進行加權，以反映用戶興趣的時效性。

興趣相似度計算策略：在推薦過程中，余弦值R和匹配度值SIM相結合，一方面，篩選出具有大權重的特征詞，這不僅可以代表文獻資源的特點，避免了文本向量化引發的維度問題，還降低了計算復雜性，提高了推薦模型的操作效率；另一方面，對于用戶來說，從用戶興趣信息中提取具有大權重的特征詞來表達其特點，可以更準確地表達用戶的興趣，避免了因用戶興趣的概括（特征詞數量較多）而導致的推薦范圍過寬，降低了個性化推薦的意義。

4.3個性化推薦算法實現

個性化推薦算法的具體實現方法主要包括算法流程和參數設置兩個關鍵部分：

（1）算法流程

① 數據準備：收集并預處理圖書館文獻摘要和用戶歷史行為數據，包括分詞、去停用詞、詞干提取等，以構建干凈的文本數據集；

② 用戶興趣建模：利用用戶歷史行為數據（如瀏覽、借閱記錄），采用主題模型（如LDA）或詞嵌入（如Word2Vec）技術，構建用戶興趣向量模型；

③ 文獻特征提取：對文獻摘要進行特征提取，同樣采用詞嵌入或TF一IDF等方法，將摘要轉換為向量表示；

④ 相似度計算：計算用戶興趣向量與文獻特征向量之間的相似度，本研究選用余弦值R和匹配度值SIM相結合的方法；

⑤ 推薦生成：根據相似度計算結果，選取相似度最高的若干文獻作為推薦結果，同時考慮文獻的質量、時效性等因素進行排序。

（2）參數設置

① 主題模型參數：如LDA的主題數量，需根據文獻集合的規模和多樣性進行調整，以最佳地反映文獻主題分布；

② 詞嵌人維度：Word2Vec等詞嵌人技術的向量維度，影響模型的表達能力和計算復雜度，需根據實驗效果進行調優；

③ 相似度閾值：設定合理的相似度閾值，以過濾掉與用戶興趣不相關的文獻，同時保證推薦的精準度和覆蓋率；

④ 推薦數量：根據用戶需求和界面展示空間，設定每次推薦的文獻數量，實現個性化與多樣性的平衡。

文獻推薦基礎計算模塊是改進模型的核心內容。對SIM進行歸一化處理，使其值在0到100之間，便于觀察和處理。最后，將SIM值較大的前n篇文獻推薦給目標用戶。

4.3個性化推薦系統文獻過濾實現

圖3展示了個性化推薦系統在推薦文獻資源時的過濾過程。整個處理流程通過精細化的文本處理、智能化的特征提取和相似度計算以及靈活的過濾規則設定，確保了推薦系統能夠為用戶提供精準、個性化的文獻資源推薦服務。

圖3個性化推薦系統的推薦文獻資源過濾過程

5實施效果與對策建議

5.1 實施效果

本研究通過構建基于摘要內容過濾算法的高校圖書館文獻資源個性化推薦系統，進行了初步的試驗研究。結果表明，該系統能夠有效提升文獻推薦的精準度，滿足用戶的個性化需求，并促進學術資源的高效利用。在實驗中，我們比較了三種相似度計算方案：歐氏距離、余弦相似度和皮爾遜相關性。通過設定相關性權重閾值和最大鄰近值，結合評分設計了三種方案。模擬系統形成了一組包含200名用戶、200個項目和750條評價的數據集，其中600條評價用作訓練集，剩余的150條評價用作測試集。實驗分析中，我們采用了準確性和覆蓋率兩種性能評估方法。結果顯示，本研究算法的MAE指數比以往算法高出 9.8% ，時間復雜度降低了 19.7% ，顯著提高了文獻推薦的準確性和效率。

5.2對策建議

（1）算法優化：持續優化摘要內容過濾算法，特別是特征提取和相似度計算部分，以進一步提高推薦的準確性和響應速度。

（2）用戶反饋機制：建立和完善用戶反饋機制，通過用戶的點擊、閱讀時長、評分等行為數據，動態調整推薦策略，形成閉環反饋機制。

（3）多維度評價：在評價指標的設計上，除了準確性和覆蓋率外，還應考慮用戶的滿意度和系統的實際應用效果，引入更多維度的評價指標。（4）跨學科推薦能力：加強系統的跨學科推薦能力，通過構建全面的知識圖譜，滿足不同學科背景用戶的需求，促進知識的交叉融合。（5）實時更新機制：設計高效的實時更新機制，快速響應學術前沿動態，及時推薦最新發表的文獻資源，保持學術研究和學習的前沿性。（6）用戶行為分析：深入分析用戶行為數據，利用關聯規則挖掘、序列模式挖掘等技術，揭示用戶的行為模式和偏好，為個性化推薦提供更精準的數據支持。（7）技術融合：融合多種推薦算法，如內容過濾、協同過濾、深度學習推薦等，通過算法間的優勢互補，提升推薦的精準度和多樣性。

通過實施這些對策建議，可以進一步提升高校圖書館文獻資源個性化推薦系統的性能，增強圖書館在數字化時代的服務能力，為用戶提供更加精準、高效的文獻資源推薦服務。

6 結語

本文對基于摘要內容過濾算法的高校圖書館文獻資源個性化推薦系統進行探索研究，旨在通過智能化技術提升圖書館服務的質量和效率。研究表明，該系統能夠有效提高文獻推薦的精準度，滿足用戶個性化需求，促進學術資源的高效利用。通過深入分析摘要內容過濾算法，本文不僅為高校圖書館提供了切實可行的技術解決方案，也為圖書館服務模式的創新提供了理論支持。未來，隨著算法的不斷優化和信息技術的持續發展，個性化推薦系統將在圖書館領域發揮更大的作用，推動圖書館服務向更智能、更主動的方向發展，增強圖書館在數字化時代的服務能力。此外，本研究的成果對于提升圖書館在知識傳播、學術研究中的作用具有重要意義，有助于構建一個更加開放、互聯、智能的學術信息環境，為學術界和社會的創新發展貢獻力量。

參考文獻

[1］主雪梅.基于混合協同過濾推薦的圖書館管理系統設計與實現[D].秦皇島：燕山大學，2015.

[2]肖仁鋒.基于協同過濾的圖書館個性化推薦方法的研究[D].濟南：山東師范大學，2017.

[3]尹正梅.面向數字圖書館的電子期刊文獻推薦的關鍵技術研究[D].馬鞍山：安徽工業大學，2016.

[4尚剛.個性化推薦技術在圖書館服務中的應用研究[D].南京：南京財經大學，2015.

[5]王茹芳，寧璐.基于用戶畫像的圖書館推薦系統研究[J].圖書館建設，2020（S1）：100—102.

[6]楊婉珍.基于協同過濾算法的高校圖書館圖書推薦系統設計與實現[D].昆明：云南大學，2020.

[7]魏秀麗.基于協同過濾的高校圖書館個性化圖書推薦系統[D].北京：首都經濟貿易大學，2021.

[8]吳賽楠.基于用戶畫像的數字圖書館精準推薦服務研究[D].天津：天津理工大學，2022.

[9]晉高杰.基于內容過濾的高校圖書館文獻資源個性化推薦研究[D].天津：河北工業大學，2018.

[10]耿立校，晉高杰，李亞函，等.基于改進內容過濾算法的高校圖書館文獻資源個性化推薦研究[J].圖書情報工作，2018，62（21）：112—117.

[11]楊凱，王利，周志平，等.基于內容和協同過濾的科技文獻個性化推薦[J].信息技術，2019，43（12）：11—14.

[12]雷彩華.基于內容分析的電子商務推薦文獻分析研究[D].大連：大連理工大學，2011.

[13]張天杰.推薦系統技術與架構在數字圖書館中的應用研究[D].南京：南京郵電大學，2016.

[14]李明.高校圖書館文獻推薦應用系統研究[J].中阿科技論壇（中英阿文），2020（7）：171—174.

[15]陳安琪，金昆，陶興華，等.基于知識圖譜的圖書館智能化資源推薦系統架構與優化策略[J].圖書館界，2023（2）：21—25.

[16]陳冠楠.知網學科文獻混合推薦系統設計與應用[D].大連：大連交通大學，2023.

作者簡介：黨玉梅，女，廣西民族師范學院圖書館副研究館員。研究方向：文獻信息資源建設、閱讀推廣、信息素養教育。

（收稿日期：2025-02-01責任編輯：侯鵬娟）