基于全景感知技術的智慧圖書館精準化推薦系統設計研究

王 恒

（徐州工程學院圖書館，江蘇 徐州 221000）

數字智能技術的發展賦予圖書館智慧化的特征，使圖書館具備更強的感知力、數據分析能力。數據融合能力、推薦計算能力和邏輯思考能力，傳統的圖書館轉型升級為智慧圖書館，使讀者隨時隨地借助智能終端享受便捷化的知識服務，而精準化推薦服務已成為智慧圖書館未來發展的重要方向。由于智慧圖書館具有更強的智慧性、情境性和感知性的特點，因此借助全景感知技術更能精準探察讀者個性化閱讀需求。精準化推薦服務的實現是建立在讀者數據、情境數據與閱讀資源數據多樣態感知采集和畫像構建的基礎上。隨著數字智能技術的快速發展，智慧圖書館的數據源不斷豐富，數據的應用維度不斷擴大，為基于全景感知技術的精準化推薦服務提供豐富的數據支持?；诖?，本研究以智慧圖書館作為研究對象，針對智慧圖書館的數據來源、服務場景及讀者特征，應用全景感知技術構建精準化推薦系統，并提出具體的技術實施方案，旨在為智慧圖書館面向讀者提供精準化推薦服務，為提升讀者的閱讀服務體驗提供新思路和新方法，促進智慧圖書館精準化推薦服務得到創新和發展。

1 全景感知技術、智慧圖書館精準化推薦系統概述

1.1 全景感知技術概述

全景感知技術（panoramic perception technology）是針對物理空間實體事物和物理環境信息感知的技術，是源于深度學習和自動駕駛領域的一種技術機制。國外對全景感知技術的研究開展較早。美國陸軍計算機研究中心1995年在針對智能偵察車項目IRV（Intelligent Reconnaissance Vehicle）研究過程中，首次對全景感知技術開展研究。智能偵察車項目研究過程中融合計算機視覺、視覺圖像算法、雷達傳感器、機器視覺等多種技術工具，主要應用多傳感器感知、全景圖像拼接、自由視角圖像轉換、全景圖像預處理、特征點檢測、圖像配準、圖像融合等技術實現對機器視覺、傳感器數據的處理，進而對物理環境和實體事物的智能感知。智能感知系統形成的360°全景鳥瞰圖和三維立體全息圖像，可以對物理空間中各類事物分布狀態和物理環境進行探測，并清晰反饋到全景屏幕中，供觀測者識別和判斷。Liu Y 等研究發現，全景感知技術是用更簡單、更通用的技術、方法解決物理環境感知偵測的長尾問題，因在實際感知探測過程中長尾問題較少出現，并且缺乏大量有效的觀測數據支持。全景感知可以通過對不同實體事物的識別、定義和分類賦予視覺模型更強的通用性，最后通過多層級的類型定義方法將已知的實體事物盡可能覆蓋到，進而形成一套統一連貫的全景感知的技術方案［1］。Chun等人研究指出，全景感知系統由全景分割和細顆粒度分類器兩個子系統構成。全景分割給出物理環境及實體事物的位置、狀態、態勢和粗顆粒度分類信息，之后細粒度分類器再給出更詳細的類別信息，進而實現360°全景感知映射［2］。

1.2 智慧圖書館精準化推薦系統概述

智慧圖書館精準化推薦系統是通過感知分析讀者數據、情境數據、館藏資源數據，發現不同讀者的個性化需求，通過多維數據勾勒用戶畫像，探察用戶的閱讀興趣和行為偏好，面向讀者精準推送閱讀資源的智慧服務系統［3］。精準化推薦系統主要通過各類傳感器和嵌入式AI程序搜集各類數據，主要應用全景感知技術、大數據分析技術、人工智能技術、用戶畫像構建技術及精準化推薦技術［4］。與傳統面向讀者的個性化推薦服務模式不同的是，基于全景感知技術的智慧圖書館精準化推薦系統實現對智慧圖書館物理空間中讀者、虛擬空間讀者的全態勢感知，并通過大數據分析技術對各類傳感器搜集的數據分析，構建用戶畫像，形成可視化圖譜，全景反映讀者的個性化閱讀需求，基于讀者的個性化閱讀需求精準推薦閱讀資源［5］。這種以讀者為中心、面向讀者個性化閱讀需求的主動式閱讀服務模式不但能幫助智慧圖書館提升讀者服務滿意度，更有利于智慧圖書館建立“讀者多維度特征數據庫”，對不同類型讀者分類管理，面向不同的讀者群精準推送閱讀資源，給讀者以更加自主化、個性化、多元化的閱讀服務體驗。

2 基于全景感知技術的智慧圖書館精準化推薦系統數據來源分析

基于全景感知技術的智慧圖書館精準推薦系統需要大量感知數據的支持，依靠分布在實體閱讀空間的傳感器設備和互聯網虛擬空間的嵌入式感知程序對讀者行為數據、情境數據、背景信息數據及館藏資源數據的全面搜集，建立用戶畫像，并通過可視化圖譜實現對讀者個性化閱讀需求的精準分析，實現讀者閱讀需求與館藏資源的精準匹配，進而向讀者精準推薦閱讀資源［6］。由此，基于全景感知技術的智慧圖書館精準推薦系統數據根據來源不同可以劃分為讀者數據、情境數據、閱讀資源數據3種類型。

2.1 讀者數據

讀者數據主要是通過分布在實體閱讀空間的傳感器和互聯網空間的嵌入式AI感知程序針對讀者閱讀行為、個人身份、職業工作觀測感知獲取的數據信息［7］。讀者數據劃分為基本信息數據和閱讀行為數據，如表1所示。讀者數據是智慧圖書館精準推薦系統推薦功能實現的核心資源，讀者的基本信息數據包括基本屬性信息數據、科研動態信息數據及專業研究領域信息數據。全景感知系統不僅對讀者到實體閱讀空間的書籍借閱行為、閱讀行為及心理情緒變化感知，也會嵌入式AI 感知程序對讀者的社交媒體記錄、網絡閱讀記錄及工作單位的信息管理系統獲取讀者職業、科研成果、專業研究領域方面的信息數據，對于讀者在智慧圖書館使用的閱讀App、微信公眾平臺、數字閱讀終端、閱讀服務機器人等智能終端產生的各類行為數據也會由分布在各個端口的傳感器設備感知搜集，會詳細記錄讀者使用智慧圖書館的行為動態和運動軌跡，能夠精準反映讀者閱讀、科研、學習等活動的具體行為，有利于智慧圖書館建立用戶畫像，挖掘讀者的閱讀興趣。

表1 基于全景感知技術的智慧圖書館精準化推薦系統的讀者數據

2.2 情境數據

情境數據主要是指讀者在使用智慧圖書館過程中獲得的各種服務場景與所處環境高度關聯的數據。情境數據包括讀者所處各種服務場景產生的數據。讀者應用智慧圖書館的服務場景包括地點、時間、智慧服務設施、移動終端及其他服務端口構成的多種智慧服務環境；讀者所處的物理環境包括溫度、濕度、光照、干擾噪聲等因素，情境數據具體內容如表2所示。智慧圖書館全景感知系統能精準感知并搜集讀者產生的各類情境數據，通過對情境數據的挖掘，感知讀者的個性化需求，并通過全景分割和顆粒度分類器實現讀者畫像的全景映射，分析讀者情境數據、個性化閱讀需求及閱讀資源的內在關聯，從而基于讀者的個性化閱讀需求精準匹配閱讀資源。

2.3 閱讀資源數據

閱讀資源數據是包括智慧圖書館館藏資源、鏈接的數據庫數據及使用的各類網絡資源數據，如表3 所示。多樣態的閱讀資源是智慧圖書館精準推薦系統功能實現的基礎，能在精準感知讀者閱讀需求的基礎上實現閱讀資源的有效供給。伴隨著智慧圖書館智慧閱讀服務范圍的擴大、服務內容的豐富，多樣化的數字資源會使讀者面臨“閱讀選擇困境”，而基于全景感知技術的智慧圖書館精準化推薦系統的設計實現讀者知識服務需求與數字資源的精準耦合。

3 基于全景感知技術的智慧圖書館精準化推薦系統設計

3.1 基于全景感知技術的智慧圖書館精準化推薦系統架構

基于智慧圖書館精準化推薦系統設計目標，本研究應用全景感知技術、大數據分析集群進行架構設計。全景感知系統中的傳感器、全景圖像拼接、圖像配準、圖像融合、特征點檢測、全景分割和顆粒度捕捉器實現對智慧圖書館物理環境、互聯網虛擬空間中讀者行為動態、運動軌跡及網絡瀏覽記錄、社交媒體信息、各類移動終端操作日志記錄的精準感知、精準捕捉，實時感知并獲取讀者數據、情境數據和資源數據?；诖髷祿﨟adoop 集群進行數據的分布式處理，并由Hadoop 集群中的MapReduce、HDFS 工具為精準化推薦系統的功能實現提供可靠的數據處理與融合的技術支持。其中：全景感知系統中的傳感器設備實現對讀者數據、情境數據的精準捕捉；全景圖像拼接技術對捕捉的各類圖片信息實現拼接處理，映射360°全景，特征點檢測用于識別讀者全景場域的行為特征、軌跡特征；全景分割技術用于讀者所處物理環境的位置、態勢、狀態進行識別，由顆粒捕捉器給出讀者所處物理環境位置、狀態及態勢的詳細類別信息，并實現全景映射。Hadoop 大數據集群框架中的MapReduce 對全景感知系統采集的各類數據分布式計算，由HDFS 形成分布式的文件系統進行存儲，Hbase形成分布式的陣列數據庫對數據在系統節點上分布式存儲，由Hive針對結構化數據形成數據列表應用HDFS 存儲，用于SQL 的檢索和查詢［8］。由此，基于全景感知技術的智慧圖書館精準化推薦系統架構主要由感知層、數據層、計算層和服務層四部分組成，如圖1所示。

圖1 基于全景感知技術的智慧圖書館精準化推薦系統架構

3.1.1 感知層

感知層主要功能是實現對讀者數據、情境數據和資源數據的全景感知，主要由傳感器設備、智能攝像頭、嵌入式AI感知程序、全景圖像融合技術、特征點檢測技術、全景分割技術和顆粒度分類器提供支持，實現對讀者行為、基本信息、運動軌跡、服務場景、物理環境、習慣偏好、閱讀習慣、移動設備使用習慣、讀者分布態勢、館藏資源狀態、社交媒體偏好的精準感知。通過各類傳感器設備、雷達設備、智慧攝像頭實現對讀者閱讀行為、運動態勢、借閱習慣、設備操作、運動軌跡方面圖片視頻類型數據的精準捕捉?；谌皥D像拼接技術實現視頻圖像的無縫拼接，應用視覺圖像算法工具實現全景圖像預處理?；谔卣鼽c檢測技術進行讀者行為動態的精準識別，全景分割給出讀者物理環境中位置、狀態、態勢、運動軌跡等信息。由顆粒度分類器給出類別信息。最終形成圖像數據流與由嵌入式AI感知程序及其他感知設備獲取的讀者基本信息數據、行為數據、情境數據及閱讀資源數據上傳給數據層進行處理。

3.1.2 數據層

數據層的主要功能是針對感知層獲取的數據進行處理，將半結構化、異構化的數據轉換成為標準化的結構數據，并在數據處理過程中保障數據的完整性、價值性和及時性。通過數據驗證、數據補充、主題分類、主題匹配、多元映射等操作步驟實現數據融合，構建出滿足讀者個性化需求識別與精準化推薦算法匹配的數據集，為運算層提供數據支持。

3.1.3 運算層

運算層的主要功能是對各類數據進行計算，對于融合后的數據集應用精準化推薦算法實時計算。運算層主要由精準化推薦模塊和數據運算模塊組成。其中，數據運算存儲模塊主要應用大數據Hadoop 框架中的Hbase、Hive、HDFS實現數據的分布式存儲，并劃分為實時運算、離線運算兩部分功能模塊，實現對數據的分析處理，從而給精準化推薦提供支持。精準化推薦模塊包括內容調整、計算排序、過濾優化3個模塊，應用精準化推薦算法對推薦內容篩選、過濾和優化。

3.1.4 服務層

服務層主要面向讀者提供精準化推薦服務，包括經典圖書推薦、文獻期刊推薦、智慧閱讀服務場景推薦、學習資源推薦、信息資訊推薦等內容。服務層基于智慧圖書館各類移動終端和服務設備在感知讀者閱讀偏好，預測分析讀者個性化閱讀服務需求基礎上向讀者推薦滿足其知識服務需求的服務項目、閱讀資源，并根據讀者閱讀偏好和興趣的變化及時調整推薦策略，為讀者提供個性化精準推薦服務［9］。

3.2 基于全景感知技術的智慧圖書館精準化推薦系統運作流程

基于全景感知技術的智慧圖書館精準化推薦系統的架構設計，本研究將基于全景感知技術的智慧圖書館精準化推薦系統運行流程分為“全景數據感知—數據處理—數據融合—精準化推薦計算—結果輸出”5個步驟，面向讀者進行精準化推薦，如圖2所示。

圖2 基于全景感知技術的智慧圖書館個性化推薦系統工作流程

3.2.1 全景數據感知

由于基于全景感知技術的智慧圖書館精準化推薦系統需要的讀者數據、情境數據和資源數據分布在智慧圖書館的實體閱讀空間、互聯網虛擬空間及其他移動終端、數字端口和智能設備上，因此，需要全景感知系統中的各類傳感器、高清攝像頭及其他智能感知設備實現對讀者數據、情境數據及閱讀資源數據的感知和采集。這些數據結構各異，需要應用全景感知系統中的全景圖像拼接、圖像配準、特征點檢測、全景分割和細顆粒度分類器對圖像視頻數據批量感知融合，應用Python 爬蟲、kattle、Flume 等工具實現對數據采集；應用全景感知系統中嵌入式AI 感知程序對讀者使用智慧圖書館的情境數據、閱讀資源數據進行感知與采集，實現針對讀者個性化需求的全景感知，為下一步的數據處理奠定基礎。

3.2.2 數據處理

全景感知系統獲取的讀者數據、情境數據和閱讀資源數據形式不一、結構各異，無法直接應用于精準化推薦計算，所以需要對數據進行處理?？紤]到精準化推薦算法運算的連續性，可以考慮應用Flume、ODI、Python 爬蟲、Sqoop、ETL 工具進行清洗處理，并消除歧義，使數據結構統一，具有可用性［10］。經過清洗處理后的數據可以使用分布式數據庫存儲，為下一階段的數據融合提供支持。同時，經過清洗處理后的數據要同步到精準化推薦系統的HDFS 信息推送引擎，便于精準化推薦計算使用。HDFS是一款開源的消息推送傳輸軟件，提供了可靠的信息傳遞機制，支持消息分布式存儲和及時推送。

3.2.3 數據融合

數據融合是精準化推薦系統中讀者數據、情境數據和閱讀資源數據相互關聯、互相補全、交叉驗證和計算使用的重要步驟。通過對清洗處理后數據的結構特征、表征的具體維度，從主題關聯、讀者關聯和情境關聯三個方面制定數據融合規則，構建統一的數據融合框架，為智慧圖書館建立讀者畫像、情境畫像和閱讀資源畫像提供數據支持，并針對實時的數據融合結果對畫像補充和完善。

3.2.4 精準化推薦計算

在建立讀者畫像、情境畫像、閱讀資源畫像后，通過內容調整、計算排序、信息過濾，建立讀者、情境和閱讀資源的聯系，實現精準化推薦。其中：內容調整主要采用基于畫像模型的精準化推薦和基于內容的精準化推薦兩種方式。根據讀者的興趣特征標簽和行為偏好屬性選擇與其特征屬性具有高度重疊性讀者喜歡的閱讀資源，同步到大數據Hadoop 集群中Hbase 數據庫中的歷史記錄中；計算排序需要以分布式數據庫中存儲的讀者特征數據、情境特征數據和閱讀資源特征數據作為機器訓練的數據資源包，通過機器學習對讀者的閱讀需求預測，并判斷讀者的閱讀資源偏好程度，然后再開始精準化推薦計算排序，縮小閱讀資源精推薦選擇范圍［11］?？紤]到讀者的閱讀時效，精準化推薦系統既要具備基于歷史數據與日志歷史記錄的離線計算功能，也要考慮到讀者實時登錄、訪問、注冊、下載等實時在線計算，要做好精準化推薦策略備選預案，通過搭建分布式計算體系和算力資源占用切分等方法解決超時訪問、下載獲取、遠程訪問失敗等問題，及時調整精準化推薦策略，保障讀者的精準化推薦服務體驗。

3.2.5 結果輸出

基于全景感知技術的智慧圖書館精準化推薦系統會將精準化推薦計算獲得的推薦結果進行可視化輸出，會向讀者精準推薦其感興趣的閱讀資源，對讀者針對推薦結果反饋的數據也會感知分析，并對讀者畫像、情境畫像及閱讀資源畫像不斷補充完善，提高精準化推薦服務質量。

4 基于全景感知技術的智慧圖書館精準化推薦系統的功能實現——以張家口職業技術學院圖書資源精準化推薦實踐為例

根據上述研究過程論述的精準化推薦系統的體系架構和工作流程，本研究在征得張家口職業技術學院同意后，將其應用到張家口職業技術學院圖書館精準化推薦服務中?；谠撔Ｒ延械膱D書App進行了實踐，并以圖書資源精準化推薦為例，具體分析該推薦系統的功能實現。

4.1 全景數據感知與處理

根據精準化推薦系統框架，首先，應用全景感知系統中的各類傳感器設備、高清攝像頭及智能感知程序對使用該校圖書館讀者的行為數據、情境數據、資源數據進行感知和采集，應用圖像拼接、圖像融合、全景分割和細顆粒分類器實現圖像數據的標注、讀者閱讀態勢的定義與分類，保障讀者的閱讀行為、閱讀動態全景映射。圖書數據、情境數據、讀者數據要同步到精準化推薦系統的分布式數據庫，并應用數據倉儲創建讀者信息列表、圖書列表，將經常訪問使用該校圖書館的讀者信息和館藏圖書信息進行關聯，便于精準化推薦系統進行實時的數據運算。值得注意的是，在數據感知與融合過程中，需要以讀者基本信息（姓名、職務、工號/學號、年齡）作為主映射表，建立包括院系（機構）信息表、文獻成果表、專利信息表及科研項目信息表的數據映射關系，實現數據融合［12］。其次，全景感知系統針對讀者動態產生的行為數據、情境數據，在精準感知后可使用代理工具Flume、Agent從智慧圖書館服務平臺、App、微信賬號及小程序的日志數據流、傳感器與攝像頭的情境數據流中實現動態采集，匯總到大數據Hadoop 集群中，由Hadoop 集群將數據匯總成為數據流導入到Kafka 消息簇列，由Spark Streaming 對數據流切片，實現對大規模數據的實時解析、關聯分析和控制，將解析后的數據存儲到Hbase 數據庫，為后續精準化推薦計算做好準備。

4.2 畫像模型構建

在張家口職業技術學院應用圖書館精準化推薦系統的圖書資源精準化推薦實踐中，應用精準化推薦系統數據層處理后的讀者數據、情境數據、館藏圖書數據可以構建圖書畫像、讀者畫像和情境畫像模型，進而挖掘讀者、圖書和情境間的內在聯系。

4.2.1 圖書畫像構建

在張家口職業技術學院圖書館精準化推薦系統應用實踐中，針對圖書畫像構建主要應用館藏圖書的類目標簽和主題詞標簽構建圖書畫像。首先，精準化推薦系統會對Hadoop 集群中Hive數據庫中的圖書類目信息表、主題詞標簽表進行調用，然后對每本圖書的簡介做分詞處理。應用智能算法工具計算每個詞的權重，將權重最高的詞作為主題詞。其次，將圖書類目標簽和主題詞標簽存儲到Hbase 數據庫，用于構建圖書畫像表［13］。最終，借助WrodVec計算模型圖書類目標簽的平均向量，作為圖書推薦的詞向量，與Hbase 存儲的圖書向量表進行關聯，應用語義測量工具計算圖書間的語義相似度，將與該圖書語義相似度最高的圖書信息存儲到對應的圖書列表，由此構建出完整的圖書畫像、圖書的詞向量和相似語義度的圖書列表。

4.2.2 讀者畫像構建

讀者畫像由讀者背景信息標簽和閱讀偏好標簽組成。首先，需要對精準化推薦系統中的讀者數據讀取，從中提取讀者的基本信息，組建成讀者的基本信息標簽。其次，從圖書畫像表中獲取圖書主題，計算讀者閱讀行為（登錄、訪問、瀏覽、下載、獲取、評論）對應圖書主題的權重。在獲得讀者圖書主題偏好標簽及權重后，建立讀者畫像，并將讀者畫像數據存儲到Hadoop集群中的Hbase 數據庫。通常情況下，讀者的圖書主題偏好包括圖書館、閱讀資源、閱讀服務、閱讀體驗等。

4.2.3 情境畫像構建

情境畫像主要用于描述讀者的情境偏好，將讀者的閱讀興趣、專業領域、研究范疇和學習模式等信息都全面反映出來，用來支持系統的情境化推薦功能，從而使精準化推薦系統依靠全景感知從情境交互中及時調整推薦內容及推薦方式?？梢赃x擇Hadoop 大數據集群中的Hbase 數據中的情境數據與讀者行為數據同步處理，面向讀者建立“情境—行為關聯模型”，對不同情境讀者的登錄、點擊、訪問、瀏覽和獲取等行為數據進行記錄，應用大數據分析讀者的情境偏好，構建情境畫像并將情境畫像存儲到Hbase數據庫。

4.3 精準化推薦功能的實現

根據上述構建的讀者畫像、情境畫像和圖書畫像，可以針對全景感知系統獲取的讀者數據、情境數據、圖書數據計算處理，獲得讀者的圖書主題偏好特征和情境偏好特征，借助精準化推薦計算模塊中的內容調整和計算排序功能，面向不同情境的讀者精準推薦滿足其興趣需求的圖書。具體步驟包括：

4.3.1 離線內容派發

閱讀內容派發是精準化推薦計算最核心的步驟，應用目標是從大量館藏資源中優先選擇出與讀者興趣相符，滿足其偏好特征的閱讀資源作為優先推薦內容。后續選擇與讀者偏好特征具有較高貼合度的閱讀資源作為備選派發內容，提高后續精準化推薦的時效性和穩定性。在張家口職業技術學院圖書館精準化推薦系統應用中，主要是基于讀者的閱讀偏好和情境特征實現的離線內容派發。系統通過讀取Hbase 數據庫讀者畫像特征數據、圖書畫像特征數據，獲得了與讀者圖書主題偏好特征語義相似度最高的圖書，然后對系統內容派發的歷史數據過濾，防止重復派發，再將過濾后的圖書列表存儲到Hbase 的推薦歷史數據表中，進而實現離線內容派發。

4.3.2 在線內容派發

在線內容派發可以基于讀者實時的行為數據快速對讀者的閱讀興趣進行追蹤，能解決精準化推薦過程中數據延時與算力支持不足的問題。在張家口職業技術學院圖書館精準化推薦系統應用實踐中，主要應用Spark Streaming 組件對Kafka 中讀者實時產生的行為數據讀取，及時獲取讀者使用圖書館點擊、登錄、分享、評論、轉發等方面的實時信息，然后系統會自動讀取Hbase 存儲的圖書畫像特征數據，選取與讀者實時行為特征相似度最高的圖書用于推薦，并及時過濾，核準圖書主題內容后在線派發，防止重復推薦，并將過濾后的推薦歷史數據存儲到Hbase數據庫的圖書推薦結果列表［14］。

4.3.3 離線計算排序

精準化推薦系統的離線在線排序通過讀取Hbase 數據庫中的讀者畫像特征數據、圖書畫像特征數據，并組合兩類數據成為數據集，分別作為訓練集、測試集，將兩類數據合并作為訓練集的輸入特征，并將讀者實時的圖書閱讀、點贊、評論、分享和轉發等行為數據作為訓練集標簽。最后，應用機器學習模型進行深度訓練，通過對RMSE 和AUC 的評分指標進行計算從而實現系統的精準化推薦效果評估。

4.3.4 在線計算排序

精準化推薦系統的在線計算排序是根據讀者即時性的精準化推薦請求，對內容派送進行預測分析，通過計算獲得精準化推薦排序最佳結果。在張家口職業技術學院圖書館精準化推薦系統應用實踐中，首先，對Hbase 數據庫中的歷史推薦數據進行讀取，將Kafka 中的讀者行為數據、情境數據作為系統測試集，應用支持向量機（SVM）、樸素貝葉斯等機器學習模型實現對讀者行為預測，計算出讀者閱讀量、點贊量、評論量最高的圖書。然后，讀取Hbase 存儲的歷史推薦數據，并對歷史推薦數據過濾。最后，將其存儲到Hbase推薦結果列表。

4.4 精準推薦策略優化與推薦結果可視化

經過內容調整和計算排序后的推薦結果需按照精準化推薦算法的運行邏輯進一步優化，優化調整后的結果通過圖書館的移動服務平臺呈現給讀者。推薦優化策略包括推薦測試、超時調整和內容補全。其中：推薦測試主要是基于讀者的閱讀偏好特征組合應用不同的推薦算法工具，提高精準化推薦質量；超時調整、內容補全主要是在讀者網絡信號傳輸中斷的情況下，如果系統推薦的反應時間超時則進行調整，再向讀者推薦備選的圖書。最后，系統再通過獲取HBase緩存中的推薦結果向讀者推薦，若HBase中緩存失效或丟失，系統對內容派送結果進行計算排序，重新匹配圖書，再向讀者推薦。

應用上述精準化推薦系統解決方案的張家口職業技術學院圖書館的App精準化推薦頁面，與圖書館App原推薦頁面相比，加入精準化推薦功能的圖書館App不僅對操作界面進行了優化，還加入了精準化推薦功能，可以基于讀者的閱讀興趣偏好實現精準化推薦，能根據讀者的情境特征（閱讀環境、位置場所）切換不同的閱讀背景，提供了書單、閱讀排行榜等熱門書籍推薦功能，有效提升了張家口職業技術學院圖書館讀者的閱讀體驗。

5 結語

隨著數字智能技術快速發展，基于全景感知技術的智慧圖書館精準化推薦已成為智慧圖書館解決讀者個性化閱讀感知精準預測、閱讀推薦服務不精準等問題的重要手段。本研究在概述全景感知技術的基礎上，對基于全景感知技術的智慧圖書館精準化推薦服務系統的數據來源進行了分析，具體劃分為讀者數據、情境數據和閱讀資源數據3 種類型，從感知層、數據層、運算層、服務層4 個方面設計了精準化推薦系統架構，并從全景數據感知、數據處理、數據融合、精準化推薦計算和結果輸出5 個方面分析了精準化推薦系統的運作流程。在此基礎上，綜合應用大數據Hadoop 集群、機器學習、畫像構建等技術，闡述精準化推薦系統的設計方案，并在張家口職業技術學院圖書館進行應用實踐，分析該推薦系統的應用實踐效果，為其他類型智慧圖書館精準化推薦服務實現創新提供可借鑒的思路。

本研究的不足之處：一是對于基于全景感知技術的智慧圖書館精準化推薦系統的數據來源總結方面，主要根據智慧圖書館資源類型、讀者需求及服務場景，從讀者、情境和閱讀資源3 個方面進行了歸納，在數據來源、數據類型的分析上可能存在疏漏；二是基于全景感知技術的智慧圖書館精準化推薦系統的設計是復雜的系統性工程，受制于篇幅字數限制未盡全述，在系統設計方案上僅選擇了有代表性的智慧圖書館精準化推薦系統的實現進行闡述，未能呈現研究的全貌。在后續工作研究中，將進一步豐富研究對象，拓展研究范圍，歸納更多的數據源、數據類型，通過與其他機構深度合作繼續優化基于全景感知技術的精準化推薦系統的架構和功能，促進智慧圖書館精準化推薦服務創新升級。