楊 瀟

（首都圖書館，北京 100021）

“推進文化自信自強，鑄就社會主義文化新輝煌”[1]是二十大報告中對文化工作的綱領(lǐng)性指導(dǎo)和對文化工作者的新要求。作為公共文化服務(wù)主陣地之一，圖書館的主要職能是為群眾提供更多、更好、更具時代特色的精神文化資源。圖書的選擇是保障這一職能發(fā)揮的基礎(chǔ)，直接決定著圖書館館藏質(zhì)量和服務(wù)水平。然而，當(dāng)前國內(nèi)公共圖書館的圖書采購多以采購人員個人的主觀意愿和經(jīng)驗為主要依據(jù)。將新的信息技術(shù)、采購模式和管理模式融入采購決策過程，已成為公共圖書館未來的建設(shè)方向。

1 圖書智能采購模型相關(guān)研究

早期智能化采購的代表性模型是拉斯氏選書模型。國內(nèi)學(xué)者結(jié)合圖書館實際情況，提出了許多改進方案[1]。例如，王積和提出了重點藏書和一般藏書兩個選書模型[2]，胡修琦等人將選書標準分為6項，讀者需求劃分為三級，構(gòu)建了選書模型[3]。隨著大數(shù)據(jù)時代的到來，新的技術(shù)和算法被引入，圖書智能采購決策系統(tǒng)逐漸細化和深入，并從單一算法模式研究轉(zhuǎn)向多算法結(jié)合。例如，劉鴻雁等學(xué)者提出了以消費者均衡理論為核心的資金按類分配模型[4]，趙研科利用Apriori算法和決策樹等數(shù)據(jù)挖掘算法[5]，通過對用戶歷史行為記錄的挖掘，開發(fā)了圖書采購輔助決策系統(tǒng)。此外，許多學(xué)者利用人工智能技術(shù)，如BP神經(jīng)網(wǎng)絡(luò)智能算法[6-8]、貝葉斯網(wǎng)理論[9-10]和隨機森林[11]，建立不同側(cè)重點的采購模型。周志強等學(xué)者將BP神經(jīng)網(wǎng)絡(luò)算法和SVM算法與遺傳算法GA相結(jié)合，搭建了混合智能采購模型[12]。

目前，智能圖書采購模型的研究主要集中在高校圖書館領(lǐng)域，公共圖書館的采購模型研究相對較少。然而，高校圖書館和公共圖書館在文獻資源館藏建設(shè)方向、讀者構(gòu)成、服務(wù)宗旨、經(jīng)費構(gòu)成等方面存在顯著差異。如果簡單地將高校圖書館的采購模式應(yīng)用于公共圖書館，可能會導(dǎo)致選書方向上的偏差。因此，本文選擇首都圖書館2018—2022年的中文圖書采購數(shù)據(jù)作為實驗基礎(chǔ)源數(shù)據(jù)，探索一種新的采購模式，以信息技術(shù)為主，主觀經(jīng)驗為輔，對公共圖書館的智能化采購進行探索。

2 構(gòu)建適應(yīng)公共圖書館中文圖書采購模型的準備

2.1 書目數(shù)據(jù)資源信息的建立

為了實現(xiàn)批量化智能操作，我們與供貨商和出版社進行了多次溝通和反復(fù)修改，最終確定了書目數(shù)據(jù)提供的格式規(guī)范和著錄內(nèi)容的標準化。我們統(tǒng)一了書目模板，其中包括ISBN、題名、副題名、分卷號、分卷名、叢編項、頁數(shù)、尺寸、分類號、讀者對象和圖書簡介?；诖?，我們結(jié)合本館的館藏資源建設(shè)方針，對供貨商提供的原始書目數(shù)據(jù)進行初步分類智能篩選。我們制定了流程圖（見圖1），以便更好地比對和分析數(shù)據(jù)信息。

圖1 圖書采購流程圖（前期部分）

經(jīng)過對數(shù)據(jù)的分類篩選，可將館配商所提供的原始書目劃分成5 個新書目表。將新書目表1導(dǎo)出，以便日后定期對高碼洋圖書采購進行有針對性的采訪小組內(nèi)部討論。對新書目表2則按照館藏政策進行預(yù)訂購，導(dǎo)出預(yù)訂購數(shù)據(jù)表，采購人員確認后下訂。對新書目表3中的圖書按每種1冊預(yù)訂購，導(dǎo)出數(shù)據(jù)表格由采購人員確認后下訂。新書目表4 作為連續(xù)出版物書目，其情況相對復(fù)雜，可分為兩種情況進行處理（見圖2）。最后，將新書目4處理形成的新書目表6與新書目表5進行匯總，形成一份書目信息表格，以便進行下一步只能采購演算。

表1 程序?qū)С龅?00本推薦分數(shù)最高的圖書

圖2 新書目表4的處理流程圖

2.2 圖書采購?fù)扑]算法

圖書采購?fù)扑]算法是公共圖書館中的一個重要算法。由于缺乏用戶行為數(shù)據(jù)，傳統(tǒng)的協(xié)同過濾推薦算法無法直接應(yīng)用于圖書館的新書采購。因此，基于內(nèi)容的推薦算法和基于知識圖譜的推薦算法成為圖書館推薦系統(tǒng)中常用的兩種算法?；趦?nèi)容的推薦算法可以根據(jù)圖書的屬性（如書名、作者、出版社、分類等）來計算它們之間的相似性，然后推薦與歷史購買的圖書相似的新圖書?；谥R圖譜推薦算法則通過建立圖書之間的關(guān)系來推薦相應(yīng)的圖書。例如，如果歷史購買中有很多計算機科學(xué)類的圖書，那么可以推薦其他與計算機科學(xué)相關(guān)的圖書。

本文將基于內(nèi)容的推薦算法和基于知識圖譜的推薦算法相結(jié)合（見式（1）），可以進一步提高推薦的準確性和個性化程度。在綜合推薦分數(shù)的計算中，可以通過調(diào)整權(quán)重因子來平衡兩種算法的影響力。例如，當(dāng)需要強調(diào)基于內(nèi)容的推薦算法時，可以將權(quán)重因子α設(shè)定為較大的值；反之，當(dāng)需要強調(diào)基于知識圖譜的推薦算法時，可以將權(quán)重因子α設(shè)定為較小的值。式中，表示第本新圖書的推薦分數(shù)；表示第 個新圖書與歷史采購書目中的圖書的相似度；表示第個新圖書與歷史采購書目中的圖書的關(guān)聯(lián)度；為調(diào)節(jié)參數(shù)，用于平衡兩種算法的推薦分數(shù)。

3 公共圖書館中文圖書采購智能模型的搭建

3.1 基于內(nèi)容的推薦算法

為了使用基于內(nèi)容的推薦算法推薦新的圖書列表，可以使用TF-IDF算法來提取每本圖書的特征向量。首先，將歷史MARC數(shù)據(jù)中的330字段和新書目中的圖書介紹內(nèi)容作為文本數(shù)據(jù)，使用TF-IDF算法計算每個關(guān)鍵詞在文檔中的重要性，方法是將關(guān)鍵詞在文檔中的詞頻和逆文檔頻率相乘。然后，選取N個關(guān)鍵詞作為每本圖書的特征向量。最后，使用余弦相似度來計算每本圖書之間的相似度，余弦相似度值越大，表示兩本圖書越相似。因此，通過基于歷史書目的屬性和特征，可以從新書目中挑選出具有類似屬性和特征的圖書。

vectorizer = TfidfVectorizer(max_features=5000)

book_descriptions = history_data['book_description'].fillna('')

book_names = history_data['book_name']

book_name_and_descriptions = book_names+ ' ' + book_descriptions

book_features = vectorizer.fit_transform(book_

name_and_descriptions)

new_book_names = new_data['book_name']

new_book_descriptions = new_data['book_description'].fillna('')

new_book_name_and_descriptions = new_book_names + ' ' + new_book_descriptions

new_book_features = vectorizer.transform(new_book_name_and_descriptions)

similarity_matrix = cosine_similarity(new_book_features, book_features)

recommendations = {}

for i, new_book in enumerate(new_book_names):

similarity_scores = similarity_matrix[i]

recommendation_score = sum(similarity_scores) / len(similarity_scores)

recommendations[new_book] = recommendation_score

sorted_recommendations = sorted(recommendations.items(), key=lambda x: x[1], reverse=True)

3.2 基于知識圖譜的推薦算法

基于知識圖譜的推薦算法通過構(gòu)建一個包含每本書、其作者和出版商的圖形結(jié)構(gòu)來遴選采購新書。與傳統(tǒng)的推薦算法不同，該算法不需要對用戶行為進行跟蹤或收集，而是利用圖書的元數(shù)據(jù)構(gòu)建一個整體的知識圖譜。具體而言，每本圖書作為一個節(jié)點，使用圖書的元數(shù)據(jù)作為節(jié)點的屬性，并通過圖書之間的關(guān)系（如作者、出版社、主題詞、分類號等），尤其是采用相鄰歷史書籍之間的關(guān)聯(lián)來連接節(jié)點，形成一個半結(jié)構(gòu)化的圖形數(shù)據(jù)庫。利用構(gòu)建好的知識圖譜，我們可以計算每本新書與歷史書籍之間的關(guān)聯(lián)度，從而推薦相關(guān)的圖書。例如，在推薦新書時，我們可以根據(jù)新書的作者、出版商等屬性在圖譜中找到其鄰居節(jié)點，并通過計算它們之間的邊權(quán)重來得到與新書相關(guān)的推薦書目。該算法可以幫助用戶發(fā)現(xiàn)與其喜好相關(guān)的新書，同時確保用戶的隱私不受侵犯。

graph = build_knowledge_graph(history_data)

new_books = set(new_data['book_name'])

recommendations2 = {}

for book in new_books:

if book not in graph:

continue

for neighbor in graph.neighbors(book):

if neighbor != book and neighbor not in new_books:

weight = graph[book][neighbor]['weight']

if neighbor not in recommendations2:

recommendations2[neighbor] = 0

recommendations2[neighbor] += weight

sorted_recommendations2 = sorted(recommendations2.items(), key=lambda x: x[1], reverse=True)

def build_knowledge_graph(data):

# 創(chuàng)建知識圖譜

graph = nx.Graph()

# 添加節(jié)點

for _, row in data.iterrows():

book = row['book_name']

author = row['author']

publisher = row['publisher']

graph.add_node(book, bipartite='book')

graph.add_node(author, bipartite='author')

graph.add_node(publisher, bipartite='publisher')

# 添加邊

graph.add_edge(book, author, weight=1)

graph.add_edge(book, publisher, weight=1)

return graph

3.3 綜合推薦分數(shù)

綜合基于內(nèi)容的推薦算法和基于知識圖譜的推薦算法，可以為采購人員提供更全面和準確的推薦服務(wù)。為了得到綜合推薦分數(shù)，我們使用加權(quán)平均法，其中權(quán)重參數(shù)α為0.8。該值是根據(jù)實驗結(jié)果得到的最優(yōu)值，但對于不同的數(shù)據(jù)集，可能需要進行調(diào)整。

首先對基于內(nèi)容的推薦算法得到的推薦結(jié)果進行加權(quán)平均，其中權(quán)重為0.8，然后對基于知識圖譜的推薦算法得到的推薦結(jié)果進行加權(quán)平均，其中權(quán)重為0.2。最終，將兩者得到的推薦分數(shù)加和，得到綜合推薦分數(shù)。

combined_recommendations = {}

for book, score in sorted_recommendations:

if book not in combined_recommendations:

combined_recommendations[book] ={'book_score': 0.8 * score}

else:

combined_recommendations[book]['book_score'] += 0.8 * score

for book, score in sorted_recommendations2:

if book in combined_recommendations:combined_recommendations[book]['graph_score'] = 0.2 * score

sorted_combined_recommendations =sor ted(combi ned_recom mend ations.items(),key=lambda x: x[1]['book_score'] + x[1].get('graph_score', 0), reverse=True)

3.4 實驗結(jié)果

本實驗使用了最近5年的圖書采購數(shù)據(jù)，并給定了一個新的圖書列表?；诖?，我們開發(fā)了一個推薦程序，采用基于內(nèi)容和知識圖譜的推薦方法，對給定的新書列表進行推薦。具體而言，程序計算了每本書基于內(nèi)容和知識圖譜的推薦分數(shù)，并采用加權(quán)α值為0.8的方法對兩種推薦分數(shù)進行綜合評分，以得到最終的推薦分數(shù)。最后，程序?qū)⑺型扑]的圖書按照推薦分數(shù)進行排序，輸出前100本推薦分數(shù)最高的圖書（見表格1）。

通過本實驗的結(jié)果可以發(fā)現(xiàn)，該推薦程序能夠找到那些與給定書籍具有相似主題和內(nèi)容的書籍，同時還能考慮到知識圖譜中的關(guān)聯(lián)性。這表明，當(dāng)推薦系統(tǒng)利用基于內(nèi)容和知識圖譜的推薦方法進行綜合評估時，能夠為讀者提供更加個性化和精準的推薦服務(wù)。值得一提的是，該推薦系統(tǒng)還具有一定的健壯性（Robustness），能夠在不同的α值下表現(xiàn)出不錯的推薦效果。為了驗證推薦系統(tǒng)的性能，我們還進行了一些額外的實驗。具體來說，我們分別在不同的α值下進行實驗，發(fā)現(xiàn)在α值為0.8時，推薦系統(tǒng)的性能最佳。這進一步證實了該程序的有效性和實用性。

4 結(jié)束語

隨著人工智能技術(shù)的不斷發(fā)展，它為圖書館各項業(yè)務(wù)的創(chuàng)新升級提供了新的思路與方式。作為一名新時代的圖書館采購人員，我們需要緊跟時代的發(fā)展，不斷加深對人工智能的學(xué)習(xí)與研究，并結(jié)合圖書館的圖書采購流程，探索其應(yīng)用的結(jié)合點和突破點，助力傳統(tǒng)圖書采購工作的轉(zhuǎn)型。同時，隨著用戶行為數(shù)據(jù)的引入，我們可以應(yīng)用更多的智能算法，如協(xié)同過濾、深度學(xué)習(xí)等，從而進一步提高推薦算法的準確性和可靠性。在未來，我們可以逐步引入各大權(quán)威圖書榜單的實時數(shù)據(jù)等內(nèi)容，使圖書采購更具綜合性與時效性，推動智能圖書館的不斷發(fā)展。通過人工智能技術(shù)與圖書館采購流程的結(jié)合，我們可以更好地滿足讀者需求，提高圖書的利用率和借閱量，從而為圖書館的可持續(xù)發(fā)展做出貢獻?！?/p>