用户与资源协同驱动的个性化信息推荐服务模型及其实现研究

随着数字资源的增多，数字图书馆个性化信息服务中存在资源利用效率与信息服务质量不高的问题，个性化信息推荐服务是解决问题的有效方法。本项目运用用户－资源协同过滤推荐的理论与技术，从提高数字图书馆个性化信息服务质量层面，研究数字图书馆利用该技术进行个性化信息推荐服务的有效方法。主要研究内容包括：①信息服务中的用户与资源共同驱动的协同推荐算法研究，设计融合用户与资源的协同过滤推荐算法，并引入用户需求变化的时间效应函数以及用户权威度函数，分析用户（资源）之间的相似性，主动向目标用户推荐信息资源；②基于协同推荐算法的个性化信息推荐服务模型研究，构建个性化信息推荐服务模型的三层体系结构，通过对用户需求分析，从外部数据资源库中获取资源，并用用户－资源协同过滤推荐技术向用户推荐所需信息资源，最后用OpURL和RSS方式推送给用户个性化信息空间，实现个性化信息推荐服务；③数字图书馆个性化信息推荐服务应用研究。

随着数字资源的增多，数字图书馆个性化信息服务中存在资源利用效率与信息服务质量不高的问题，个性化信息推荐服务是解决问题的有效方法之一。个性化信息推荐服务是一种在分析预测用户个体信息需求基础上向用户主动提供其可能需要但又无法获取的信息资源的服务方式。提供个性化协同信息推荐服务在电子商务领域已经有了广泛应用，一些大型的电子商务网站就用它来实现对目标用户的商品推荐，主动向其推荐他可能需要或者最感兴趣的商品信息。这种主动向用户提供其最感兴趣资源的信息推送服务方法和技术正是数字图书馆在进行个性化信息服务时所需要的。近年来，信息推荐服务及其系统逐渐被应用到数字图书馆中，并正在成为该领域的主要研究主题之一。在国外，S. M. McNee、J. Herlocker以及A. Geyer-Schulz等研究者对数字图书馆的信息推荐服务进行了相关理论探讨与技术实践，一些图书馆也建立实用的数字图书馆信息推荐系统，如SERF、TDL、BibTip等。国内的研究则主要侧重于理论探讨，并没有将之真正应用到数字图书馆具体实践中。本项目立足于数字图书馆的学术信息推荐服务实际应用问题，运用用户--资源协同过滤推荐的理论与技术，从实际应用层面研究数字图书馆利用该技术进行个性化学术信息推荐服务的有效方法。. 项目研究了四个方面问题。（1）学术型用户的需求偏好问题。分析用户的研究兴趣偏好，重点分析了用户需求变化的时间效应、用户感兴趣资源的级别、用户需求的持续周期等因素，提出了“兴趣偏好强度”指标，并以此构建了学术型用户的信息需求偏好模型。（2）用户与资源共同驱动的协同信息推荐算法问题。分析用户（资源）之间的相似性，并在用户兴趣偏好模型基础上，设计了融合用户与资源的协同过滤推荐算法。（3）基于协同推荐算法的个性化学术信息推荐服务问题。通过对用户需求偏好分析，并用用户－资源协同过滤推荐算法向用户推荐所需的学术信息资源，实现个性化学术信息推荐服务。（4）数字图书馆个性化学术信息推荐服务系统的应用问题。在参与某大型电网集团公司技术情报中心数字图书馆系统项目研发过程中，将本项目的理论与算法应用到了系统中，产生了一定的效果，也出现了一些没有预料到的问题，这些问题将在后续研究中完善。. 本项目研究已发表了5篇学术论文，另有2篇论文已录用，2篇在投稿中，将撰写学术专著1部。培养了2硕士研究生。