一、文献综述

（一）国内外研究现状

国外研究现状分析表明：基于大量数据集的推荐算法出现的一个重要目的是解决用户自身的个性化服务问题，将服务由被动变为主动，即以前大部分是互联网被动地为用户提供相关服务逐渐转变成互联网主动为用户推荐一些用户可能感兴趣的服务。在商业领域中，商业互联网以数据挖掘、机器学习等技术为基础，研究推荐系统并将其应用到实际中，增强用户对电子商务网站的关注度，从而进一步提升用户的访问量，最终目的是实现销售量的提高。在亚马逊,网站采用个性化推荐系统为每个客户进行推荐，帮助用户挑选一本书来读。推荐系统在 YouTube、Netflix、Yahoo!等都扮演了很重要的角色，推荐系统能够成功应用于各大电商网站，不仅仅是由于其背后成熟机器学习推荐算法，还有最重要的大规模历史记录数据集，将相关算法应用到对数据的分析上，建立起切实有效的模型及用户反馈机制同时对所推荐的项目列表具有可解释性。在图书行业,国外也早已开展对图书借阅进行个性化推荐解决方案的研究，并且目前已经有了实际的应用效果。在图书馆中使用图书借阅推荐策略比较成功的案例包括美国康纳尔大学的Mylibrary@cirnell61、北卡罗来纳州立大学的 Mylibrary @Ncstste、加拿大多伦多大学图书馆借阅系统，使用者可为自己“量身定做”一套服务系统，系统后台也可根据使用者的浏览记录、借阅历史记录为用户提供个性化的推荐内容。
国内研究现状分析表明：国内对推荐系统的研究不单在理论与技术向取得不错的成果，而且在推荐策略算法的实际应用层面也取得非常实际的效果。为显著提高推荐质量，研究学者们提出将多种过滤技术综合到一起，以其能够克服推荐策略各自存在的缺点，发挥整体的优点。同时文献将推荐系统的应用拓展到图书馆领域，这也就引发出在图书馆管理中应用推荐系统的研究热潮。国内对于推荐系统应用到图书的管理领域的研究也逐渐展开，目前绝大多数的图书馆基本上都已经实现自动信息化管理，同时也积累了大量用户的借阅历史记录，如何利用这些积累的数据信息是学者研究的重点之一。在图书馆积累的大规模数据中隐藏着很多关联信息，应用机器学习数据挖掘技术发现用户本身潜在的阅读兴趣，向其推荐图书。国内不少高校正在研究在传统的图书自动化管理系统中融合推荐算法，利用历史数据发掘数据后面隐藏的信息或者规律，提高高校图书馆对读者用户提供精确读物的服务质量。其中在理论上，推荐系统、个性化服务等技术已经非常成熟，在理论研究与实验方面取得非常好的效果；在实践方面，部分高校也刚开始对推荐系统在图书馆信息系统中的实际应用进行研究与实现。

（二）研究主要成果

随着网络的发展，技术不断地提高，推荐系统也随之得以前进。就目前而言，根据推荐系统使用数据的不同，推荐算法可分为基于用户行为推荐、基于内容推荐、基于社交网络推荐等。

主流的推荐系统算法可以分为协同过滤推荐（Collaborative Filtering Recommendation）、基于内容推荐（Content-basedRecommendation）和混合推荐三种。

3.1基于用户行为推荐

用户行为含有多种模式，其中最能体现用户行为模式的是著名的“啤酒和尿布”故事。用户行为推荐的主要原理是利用已有用户的历史行为数据（显式反馈或隐式反馈），预测当前用户可能感兴趣的物品，其中显式反馈主要为用户评分，隐式反馈主要包括浏览、搜索等。

基于用户行为的推荐算法又被称为协同过滤算法，该算法在推荐系统领域中被广泛地应用，其不需要预先获得用户或物品的特征数据，仅依赖于用户的历史行为数据对用户进行建模，为用户推荐需求信息。协同过滤算法主要包括基于用户的协同过滤（User-Based CF）、基于物品的协同过滤（Item-Based CF）、隐语义模型（Latent Factor Model）等。其中基于用户和物品的协同过滤是通过统计学方法对数据进行分析的，也称为基于内存的协同过滤或基于邻域的协同过滤；隐语义模型是采用机器学习等算法，通过学习数据得出模型，然后根据模型进行预测和推荐，是基于模型的协同过滤。

3.1.1 基于用户的协同过滤