基于知识图谱的我国高校图书馆个性化推荐研究综述

赵衍 杨喆涵

摘 要： 利用高校圖书馆积累的大数据资源为用户提供个性化图书推荐一直是情报学与图书馆学领域的研究热点。文章利用2010—2019年CNKI收录的253篇相关学术文献进行文献计量分析，使用信息可视化软件CiteSpace生成作者合作、机构合作、关键词共现、主题路径等知识图谱，探索近10年我国高校图书馆个性化推荐研究的发展路径、热点变迁及发展趋势，以期为我国高校图书馆个性化推荐研究领域的学术探索与实践提供相应的理论参考。研究发现：①针对该领域的研究已经形成多个研究群体，研究合作方式以高校的校内合作为主。②2010—2019年该领域研究热点集中在个性化推荐、协同过滤、数据挖掘等方面，并在此基础上衍生出情景化推荐、阅读推广等研究前沿。③2010—2019年该领域的研究可大致分为基础研究与创新研究两个阶段，前者为后者的研究提供理论基础，后者基于前者的研究衍生新的研究热点。④目前研究的局限性在于理论研究居多，实际应用较少。

关键词： 高校图书馆;个性化推荐;知识图谱

中图分类号： C 93

文献标志码： A

Literature Review of the Research on Personalized Recommendationof Chinese University Libraries Based on Knowledge Graph

ZHAO Yan YANG Zhehan

（Shanghai International Studies University， Shanghai 201620， China）

Abstract： Using the big data accumulated by university libraries to provide users with personalized book recommendations has always been a research hotspot in the field of information science and library science. This paper uses 253 relevant academic documents collected by CNKI from 2010 to 2019 for bibliometric analysis， and uses the information visualization software CiteSpace to generate a knowledge map of author cooperation， institutional cooperation， keyword co-occurrence， theme roadmap， etc. to explore personalized recommendation researchs development path， hotspot changes and development trend of Chinas university libraries in the past 10 years. This paper expects to provide corresponding theoretical references for academic exploration and practice in the field of personalized recommendation research in university libraries in China. The research shows： a） A number of research groups have been formed for research in this field， and the way of research cooperation is mainly intramural cooperation in universities. b） From 2010 to 2019， the research hotspots in this field focused on personalized recommendation， collaborative filtering， data mining， etc.， and on this basis， research frontiers such as contextual recommendation and reading promotion were derived. c） The research in this field from 2010 to 2019 can be roughly divided into two stages： basic research and innovative research. The former provides a theoretical basis for the latters research， and the latter derives new research hotspots based on the formers research. d） The limitation of current research lies in the fact that there are many theoretical studies and few practical applications.

Key words： university library; personalized recommendation; knowledge graph

高校图书馆是高校的知识中心，馆藏丰富多样的学术资源，如何向专业背景和兴趣爱好迥异的用户精确推荐满足其需要的馆藏资源，关系到高校图书馆资源能否实现充分利用，也关系到高校图书馆服务的质量。随着图书馆信息化的发展，高校图书馆积累了海量的用户借阅数据，这为高校图书馆提供个性化的推荐研究提供了数据基础。同时，不断发展的大数据、人工智能等技术也为个性化推荐研究注入了新的活力。基于上述原因，2010—2019年近10年间，我国高校图书馆个性化推荐的相关学术论文发表量总体上呈现上升趋势（图1），这表明对该领域的研究正在不断发展与丰富。文章运用信息可视化软件CiteSpace，对2010—2019年我国高校图书馆个性化推荐研究进行基于知识图谱的文献计量分析，对该领域研究的发展路径、热点变迁以及发展趋势进行全面系统的分析，从而为该领域的科学研究与实践提供参考。

1 数据来源、研究方法与工具

文章以中国知网（China National Knowledge Infrastructure， CNKI）作为研究样本数据来源。以“个性化推荐”、“图书推荐”、“智慧推荐”作为篇关摘检索词，且限定全文检索词为“高校图书馆”，期刊类别限定为“核心期刊”与“CSSCI”，研究文献的检索年限选择为2010—2019年，按照上述条件进行期刊文献检索，共得到文献298篇，通过对文献数据的人工筛查，去除推荐书目清单、会议纪要等无关文献，最终得到文献253篇，数据检索与处理时间为2020年7月7日。

知识图谱（Knowledge Graph）能够可视化表达某一研究领域的知识结构关系与研究热点的演化脉络，进而揭示研究领域的发展现状与演化规律，预测研究领域的前沿研究趋势。因此，文章采用基于知识图谱的文献计量研究方法，对筛选后的253篇文献进行作者共现分析、机构共现分析、关键词共现分析、主题路径分析以及突现词分析。

文章采用的研究工具是美国德雷克塞大学信息技术学院（College of Information Technology， Drake University）陈超美教授（Chaomei Chen）开发的CiteSpace 5.7.R1。CiteSpace是一款基于JAVA程序的共引网络分析软件，该程序可用于分析学科领域的研究热点与演化趋势，并将分析结果进行可视化展示。文章将253篇文献的题录数据转换成CiteSpace程序可处理的Refworks格式并导入，文献的题录数据包括标题 、关键词、作者、机构等。

2 知识图谱分析

2.1 作者合作知识图谱分析

通过作者合作知识图谱可以对我国高校图书馆个性化推荐研究领域的作者合作情况进行研究。文章利用CiteSpace软件，选择“Author（作者）”作为共现分析的节点类型（Node Types），剪切连线算法（Pruning）选择“Pathfinder（路径搜索算法）”和“Pruning sliced networks（路径简化网络）”，其余参数采用默认数值，生成作者合作知识图谱（图2）。根据CiteSpace 5.7.R1版本的设定规则，作者合作知识图谱中作者节点表现为作者姓名，其大小与作者出现频次相关，作者出现频次越高，节点越大（相对于其他作者），不同作者节点间的连线反映作者间的合作情况，连线的不同的颜色对应不同年份。据图2的统计信息显示，该作者合作知识图谱共有节点40个，节点间连线共有42条，网络密度（Density）为0.0538。图谱显示，2010—2019年针对我国高校图书馆个性化推荐研究形成了多个研究群体，其中共现作者最多的是以柳益君—何胜为代表的研究群体，其次是以曹红兵为代表的研究群体和以刘海鸥—张亚明为代表的研究群体。除了上述共现作者较多的研究群体外，知识图谱中还零散分布着许多共现作者数小于三人的研究群体。由此可见，2010—2019年该领域研究者之间存在一定程度的合作关系，研究力量整体上以某个或某几个主要研究者为中心凝聚，零散分布的单作者和双作者说明作者之间的研究合作还可以进一步加强。

另外，文章选取并统计2010—2019年发文量3篇的作者（表1），发现江苏理工学院的柳益君（8篇）发文量最多，其次是江苏理工学院的何胜（6篇），其余作者的发文量为2～4篇。这些作者构成了我国高校图书馆个性化推荐研究的主要力量，他们在该领域的研究侧重点各有不同，如柳益君、何胜主要从大数据与人工智能角度对高校图书馆个性化推荐进行研究，使用机器学习、知识图谱、高校图书馆大数据挖掘等方法研究个性化智能推荐服务模式;刘海鸥、张亚明针对推荐系统数据稀疏问题，将时间、地理位置、环境等情境信息融入协同过滤推荐（Collaborative Filtering， CF），研究高校图书馆情境化推荐系统;曹红兵则从物联网角度，使用射频识别（Radio Frequency Identification， RFID）等物联网核心技术构建高校图书馆个性化推薦服务新体系，将个性化推荐服务范围从传统的数字化信息服务拓展到物理环境。

2.2 机构合作知识图谱分析

机构合作知识图谱能够展示相关研究机构间的合作情况，通过分析我国高校图书馆个性化推荐研究相关机构的合作情况以及每个机构的发文量，能够对该领域研究机构的合作分布、核心力量进行研究。文章使用CiteSpace软件，选择“Institution（机构）”作为共现分析的节点类型，剪切连线算法选择“Pathfinder（路径搜索算法）”和“Pruning sliced networks（路径简化网络）”，其余参数采用默认数值，绘制机构合作知识图谱（图3），与作者合作知识图谱生成规则类似，机构知识图谱中机构节点表现为机构名称，其大小与机构共现频次相关，机构共现频次越高，节点越大。不同研究机构节点间的连线反映机构间的合作情况，连线的不同的颜色对应不同年份。如图3所示，机构合作知识图谱共有30个节点，14条连接，密度值为0.0322。对图谱进行分析可知，2010～2019年我国高校图书馆个性化推荐研究相关机构多为高校的图书馆、经济管理学院、信息管理学院、计算机工程学院等，这表明高校凭借其专业人才与浓厚的研究氛围，以及高校图书馆所提供的大量用户借阅记录等研究数据，成为该领域的主要研究力量。从这些高校的合作类型来看，主要分为校内合作与校际合作。校内合作多为同所高校内部不同院系、图书馆间的合作，如武汉大学的信息管理学院与计算机学院合作，针对精准图书推荐导致的推荐书目缺乏多样性问题，提出了一种融合信息距离的语义相似度计算方法，通过语义相似度的扩散，来提高个性化推荐结果的多样性;校际合作多为不同地区的不同高校或相同地区的不同高校间的合作，如南京航空航天大学、东南大学展开校际合作，针对重启动随机游走推荐算法（Random Walk with Restart， RWR）忽视用户兴趣变化的问题，基于用户兴趣时间衰减因素，形成用户兴趣转移概率矩阵并以此来优化推荐。

文章对2010—2019年该领域发文量3篇的机构进行统计（表2），机构发文量最多的是武汉大学信息管理学院（13篇），其次是江苏理工学院图书馆（8篇）、江苏理工学院计算机工程学院（8篇）等，其中位列第一的武汉大学信息管理学院前身为武汉大学图书情报学院，是我国第一所图书情报学院，拥有武汉大学国家级图书情报实验教学中心，其发表的文献涉及图书协同过滤推荐研究、基于用户画像的推荐研究、基于语义信息的图书推荐研究等诸多方面，拥有较多科研成果，在我國高校图书馆个性化推荐研究领域具有较大影响力。

2.3 关键词共现知识图谱分析

文献的关键词是对文献主旨概念与作者核心思想观点的提炼概括，能够反映文献的研究主题。对某个研究领域的多篇文献进行关键词共现分析，不仅可以研究该领域各主题的分布情况与彼此之间的联系，还可以根据关键词出现频数分析该领域研究者对某个主题的关注程度，关键词出现频数越高，则说明对相关主题的研究与讨论越多，是该领域的研究热点。

文章利用CiteSpace，以“keyword（关键词）”为共现分析节点类型，剪切连线算法选择“Pathfinder（路径搜索算法）”和“Pruning sliced networks（路径简化网络）”，其余参数采用默认数值。在生成初始关键词共现知识图谱后，合并语义相似的关键词，如“个性化推荐”与“个性推荐”、“图书推荐”与“书目推荐”等，最终得到关键词共现知识图谱（图4），图谱中共有31个节点，67条连接，密度为0.1441，图谱中的节点越大，说明相应的关键词共现频次越高，不同节点间的连线表示节点的共现关系，连线的粗细表示关键词间的共现程度，不同颜色对应不同年份。由图可知，中心区域的节点共现频次较高，且彼此联系紧密，构成我国高校图书馆个性化推荐领域的研究热点，如个性化推荐、协同过滤、数据挖掘、推荐系统、高校图书馆等。边缘节点共现频次较低，且彼此相对孤立，表明在该领域的研究尚未成熟，如情景化推荐、深度学习、阅读推广、云计算等。

通过关键词共现知识图谱中研究热点间的连线对其共现关系进行探究，能够进一步发掘各研究热点间的内在关联。文章选择具有代表性的高频共现词“个性化推荐”与“数据挖掘”，来探究研究我国高校图书馆个性化推荐研究热点间的共现程度与内在联系。

如图4（A）所示，对于共现频次最高（66次）的关键词“个性化推荐”，与其共现程度较高的关键词分别是“学术资源”、“智慧图书馆”、“推荐系统”等。“个性化推荐”与“学术资源”呈现较高共现程度，说明我国高校图书馆的个性化推荐研究不仅局限于对馆藏图书的推荐，还包括电子图书、科研论文、教学课件等多种学术资源的推荐，李默等（2015）针对高校图书馆多样化的学术资源，构建了一种基于多Agent技术的推荐系统，该系统可以根据不同学术资源类型自适应选择推荐策略。“个性化推荐”、“推荐系统”和“智慧图书馆”的高共现程度则能够体现三者的内在联系：推荐系统是高校图书馆实现个性化推荐服务的技术基础，而个性化推荐服务是高校图书馆转型为智慧图书馆的重要因素。曾子明等（2015）进一步阐释了个性化推荐与智慧图书馆的关系，认为将个性化推荐系统纳入高校图书馆服务体系，可以优化用户与图书馆的交互模式，提高图书馆智慧服务水平，进而促进高校图书馆智慧化进程，并在此基础上提出了一种包括用户交互层、智慧服务层、个性化推荐层、知识存储层和传输感知层的智慧图书馆服务体系。

又如图4（B）所示，对于共现频次较高（40次）的关键词“数据挖掘”，与其共现程度最高的关键词是“关联规则”，这表明在基于数据挖掘的高校图书馆个性化推荐研究中，关联规则挖掘是较为主流的数据挖掘方法。关联规则（Association Rules）最早由阿格劳瓦尔（R.Agrawal， 1993）等人提出，通过寻找数据项之间的关联来反映不同事物间的依赖性和关联性，其最经典的算法是Apriori算法，该算法通过迭代搜索来寻找频繁项集。但是，直接将Apriori算法应用于高校图书推荐可能会遇到以下几个问题：第一，高校图书馆数据量大，导致Apriori算法运行效率低下;第二，Apriori算法的支持度与置信度若选择不当，可能导致关联规则结果不精确;第三，高校图书馆用户多为师生，他们在性别、年龄、专业、兴趣上具有较大差异性，单一的Apriori算法缺乏泛化能力，导致推荐结果无法满足多样化需求。文章通过阅读2010～2019年我国高校图书馆基于关联规则的个性化推荐相关文献，总结出针对上述研究问题的两大研究方向：算法改进与数据属性挖掘。从算法改进方面来看，田元等（2010）通过不同用户借阅信息的分层数据提出一种改进的分布式关联规则推荐算法;针对传统关联规则的静态推荐模式，马仲兵（2013）提出加权关联规则推荐算法，使得推荐算法对用户兴趣迁移的敏感性提高;李欣（2015）与王立亚（2016）分别基于概念格与区间概念格对关联规则算法进行改进，发掘图书借阅记录中的隐含关联。从数据属性挖掘方面来看，陈淑英（2018）、高晟（2019）等针对前人的研究多偏重于算法改进而未充分挖掘数据属性之间的关系问题，使用关联规则对高校图书馆借阅数据进行多维度挖掘，以提高推荐效果。

在利用关键词共现知识图谱分析研究热点的基础上，文章进一步通过中介中心性（Betweenness Centrality）探究相关研究热点在该领域的影响程度，从CiteSpace的关键词共现分析结果中统计出中介中心性0.1的关键词（表3）。由表3可知，共现频次最高的关键词“个性化推荐”的中介中心性并非最高，这是因为中介中心性衡量的是知识图谱中某个节点充当其他节点连接中介的频次，频次越高，中介中心性越大，在知识图谱中的影响力越强（M. Barthélemy， 2004）。表3中“协同过滤”的中介中心性最大（0.61），其次是“数据挖掘”（0.59）、“个性化推荐”（0.42）等，表明协同过滤相关研究在我国高校图书馆个性化推荐研究中具有较大影响力。通过阅读大量文献，我国高校图书馆基于协同过滤的个性化推荐研究主要集中在两方面：一是通过协同过滤实现传统高校图书馆推荐服务的升级，如安德智等（2011）针对传统图书馆无法为用户提供准确个性化推荐的问题，提出基于协同过滤的图书推荐系统，并将其应用于高校图书馆验证其有效性;董坤（2012）针对高校图书馆对于用户信息挖掘、分析不足的问题，使用协同过滤算法挖掘读者需求，从而优化个性化推荐效果。二是针对现有协同过滤推荐算法进行改进，如鄂海红等（2014）基于高校图书馆借阅数据，将时间上下文信息引入传统协同过滤推荐算法;毛志勇等（2015）针对传统协同过滤算法数据稀疏性等问题，使用蚁群聚类和云填充对其进行改进;宋楚平（2016）针对高校图书馆推荐的冷启动问题，通过优化读者评价矩阵与相似度模型来改进协同过滤算法;王刚等（2019）提取并计算用户兴趣序列，将其与传统协同过滤推荐算法相结合，提高个性化推荐效果。

对于中介中心性次高的“数据挖掘”和“个性化推荐”，其相关研究已在上文进行了综述，不再赘述。

2.4 主题路径与关键词突现分析

主题路径分析是从时间维度对关键词共现进行分析。利用主题路径知识图谱，能够把握我国高校图书馆个性化推荐研究热点的演化趋势与发展脉络，发现该领域的研究前沿，分析影响研究热点变化的原因，预测该领域未来研究发展趋势。文章使用CiteSpace，基于已生成的關键词共现知识图谱，选择“Layout（布局）”选项卡下的“Timezone View（时区视图）”，其余参数选择默认，生成主题路径图（图5）。根据主题路径图中关键词共现的分布情况来划分，2010—2019年我国高校图书馆个性化推荐研究可大致分为两个阶段：基础研究阶段（2010—2014年）和创新研究阶段（2015—2019年），前者为后者的研究提供理论基础，后者基于前者的研究来探索新的研究热点。

基础研究阶段的研究集中在“个性化推荐”、“数据挖掘”、“协同过滤”、“推荐系统”等。通过上文关键词共现知识图谱的分析可知，这些关键词的共现频次高，与其他关键词的共现程度较强。构成了我国高校图书馆个性化推荐的主要研究领域。同时，由上文对个性化推荐、数据挖掘、协同过滤相关研究的综述可知，基于关联规则等数据挖掘方法的个性化推荐、基于协同过滤及其改进算法的个性化推荐，已经成为我国高校图书馆实现个性化推荐的基础且主流的研究方法。

创新研究阶段出现了许多新的研究热点，如“个性化服务”、“情景化推荐”、“深度学习”、“云计算”等，构成我国高校图书馆个性化推荐研究前沿。由图5可以看出，创新研究阶段的关键词与基础研究阶段的关键词呈现较高的共现关系，表明两个阶段一脉相承，创新阶段的研究需要基础阶段的研究作为理论基础与支撑。对于个性化服务来说，与基础研究阶段的个性化推荐既有联系又有区别：个性化服务的外延更大，高校图书馆个性化服务将用户、馆员和信息综合连接，包括了用户个性化需求分析、服务路径选择、个性化推荐等诸多方面，是对个性化推荐的发展（唐斌，2017）;情景化推荐针对传统推荐算法仅使用单一用户信息，导致推荐结果不准确的问题，将用户的时间、位置、需求等情景化因素纳入个性推荐研究范畴，通过引入这些情景信息来提高推荐准确性;基于深度学习与云计算的推荐研究，以基础研究阶段的基于数据挖掘的个性化推荐为理论基础，主要针对高校图书馆产生的用户借阅记录等大数据。赵冉（2019）提出基于并行云计算框架的混合图书馆推荐系统，以此来提高推荐系统处理大数据的能力;尹婷婷等（2019）通过深度学习挖掘高校图书馆大数据的深层信息，提出基于用户借阅时间的图书馆推荐模型。

突现关键词是指在某个时间范围内，某个关键词的共现频数突然增加。分析突现关键词可以探究一定时期内研究领域的研究热点，也可以通过观察近期时间段的突现关键词来分析研究领域的研究前沿。文章使用CiteSpace的“Burstness（突现性）”功能，将参数的值设置为1.0，生成突现性最强的五个关键词，并将其按照突现起始时间进行排序（图6）。由图6可知，2010—2019年我国高校图书馆个性化推荐研究突现度最高（5.7179）的关键词是“推荐系统”，突现持续时间最长（2010—2013年）的关键词分别是“数据挖掘”和“关联规则”，这再次印证基于数据挖掘的推荐研究、对推荐系统的研究与改进是我国高校图书馆个性化推荐的研究热点。此外，图6中呈最新突现趋势（2017～2019）的关键词是“阅读推广”，说明阅读推广是我国高校图书馆个性化推荐的研究新趋势。阅读推广是个性化推荐的衍生，有研究表明个性化推荐是阅读推广最主要的实现手段（史艳丽，2018）。高校图书馆阅读推广主要是根据用户不同的阅读兴趣和专业背景，推荐面向个体需求的书目或资源（明均仁，2017），所以其本质仍然是个性化推荐。因此，对阅读推广的相关研究也主要集中在个性化推荐算法或系统的研究与改进上，然后再利用个性化推荐系统去服务阅读推广活动，如明均仁等（2017）提出基于群体智慧的自动化书目推荐方法，将其推荐结果应用于阅读推广;王顺箐（2018）论证了阅读推广活动受众的多样性对活动效果的影响，提出基于用户画像的个性化推荐系统，通过构建用户画像来满足阅读推广活动的需求。

基于上述关键词主题路径与突现词分析，文章进一步探究影响该领域研究热点演变发展的原因，主要可以归纳为需求驱动与技术发展两方面原因：

从需求驱动来看，近年来互联网公司快速发展，许多公司引入推荐系统来为其用户提供个性化服务，满足用户的个性化需求，进而提高用户满意度，如亚马逊等网络图书商城基于用户浏览或购买的历史图书数据，来为其推荐相关图书信息（丘瑜，2015）。这一方面满足了用户的个性化需求，另一方面又让用户对个性化推荐提出了更高的要求。从高校图书馆的角度分析，当前互联网图书推荐系统的便捷与高效，使高校图书馆用户对高校图书推荐服务产生了新的诉求，这一诉求促进了该领域相关研究的演进发展。

从技术发展来看，大数据与人工智能技术的发展为我国高校图书馆个性化推荐研究提供了技术支撑，促使该领域的研究从基础研究阶段向创新研究阶段演进和发展。高校图书馆利用大数据技术，使其掌握的用户数据质量得到提高，大量的结构化数据、半结构化数据以及非结构化数据，为个性化推荐研究提供了数据基础;人工智能技术为高校图书馆个性化推荐研究提供了新的思路和方法，并且使其算法与算力得到改进与提高，结合深度学习、云计算等人工智能技术的个性化推荐研究成为该领域的研究前沿。

3 研究结论

文章以CNKI作为研究数据来源，检索2010～2019年我国高校图书馆个性化推荐研究的相关期刊文献，使用信息可视化软件CiteSpace 5.7.R1对文献题录数据进行知识图谱分析，包括作者合作知识图谱分析、机构合作知识图谱分析、关键词共现分析、主题路径图分析、关键词突现分析。通过知识图谱分析与相关研究文献综述相结合的方式，文章梳理了我国高校图书馆个性化推荐研究的基本概况、研究热点、研究发展趋势、研究前沿，并得出以下主要结论：

（1）从作者合作情况来看，十年间针对我国高校图书馆个性化推荐研究形成了多个以某些作者为核心的研究群体，且这些研究群体在该领域的研究上各有侧重。此外，作者合作知识图谱显示作者间的合作还可以进一步加强。

（2）从机构分布与合作情况来看，高校凭借其在该领域的研究优势成为主要研究力量，高校的合作类型分为校际合作和校内合作，高校图书馆和相关学院的校内合作研究占多数。

（3）从研究热点来看，基于数据挖掘和协同过滤的个性化推荐研究是该领域研究的热点，针对二者的研究及其算法改进成为我国高校图书馆实现并优化个性化推荐服务的研究基础和理论支撑

（4）从研究演化趋势与研究前沿来看，十年间我国高校图书馆个性化推荐研究大致可分为基础研究与创新研究两个阶段，且两个阶段联系紧密，一脉相承。包括数据挖掘、协同过滤、推荐系统等研究热点的基础研究为创新研究提供了理论基础，在此基础上，受到需求驱动与技术发展两方面原因的影响，创新研究阶段出现了许多新的研究热点，如情景化推荐、基于深度学习与云计算的推荐、阅读推广等，这些研究构成了我国高校图书馆个性化推荐的研究前沿，也是对基础阶段研究的完善与发展。

（5）从目前研究存在的局限性来看，尽管针对高校图书馆个性化推荐进行了推荐算法优化、推荐模型与推薦系统的改进与创新、个性化推荐服务体系搭建等多方面的研究，但是这些研究以理论研究居多，将研究结果应用于高校图书馆推荐服务的实践较少，未来的研究可以从理论与实践相结合的角度，通过实际应用来促进研究的完善与发展。

文章的研究局限性在于，受到CiteSpace软件功能的限制，无法使用CiteSpace对CNKI导出的文献数据进行参考文献共被引分析，未来的研究综述还可以从参考文献共被引分析的角度，对该领域进行更多维度、更全面的研究综述。

参考文献：

[1]陈悦， 刘则渊. 悄然兴起的科学知识图谱[J]. 科学学研究， 2005， 23（2）：149-154.

[2]CHEN C. CiteSpace II： Detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology， 2006.

[3]柳益君，罗烨，蔡秋茹，吴智勤，何胜.基于机器学习的高校图书馆个性化智能推荐服务方案[J].图书馆研究与工作，2020（3）：28-34.

[4]柳益君，何胜，熊太纯，吴智勤，陈丹.知识图谱在高校图书馆智慧服务中应用研究[J].图书馆工作与研究，2019（11）：5-10.

[5]柳益君，何胜，李仁璞，吴智勤，武群辉.面向多样性个性化推荐服务的高校图书馆大数据应用研究[J].新世纪图书馆，2018（10）：47-51.

[6]刘海鸥，陈晶，孙晶晶，张亚明.面向大数据的移动数字图书馆情境化推荐系统研究[J].图书馆工作与研究，2018（9）：58-64.

[7]曹红兵，唐秋鸿，唐小新，李高虎，高嵩.物联网环境下的高校图书馆个性化服务体系构建[J].情报理论与实践，2011，34（3）：70-76.

[8]唐斌.图书馆精准服务：内涵、机制与应用[J].图书馆工作与研究，2017（5）：9-13.

[9]刘海鸥.面向云计算的大数据知识服务情景化推荐[J].图书馆建设，2014（7）：31-35.

[10]赵冉.基于云计算平台的图书馆混合推荐技术研究[J].现代电子技术，2019，42（23）：145-149.

[11]尹婷婷，曾宪玉.深度学习视角下图书馆馆藏资源推荐模型设计与分析[J].现代情报，2019，39（4）：103-107，124.

[12]史艳丽.高校图书馆社交媒体阅读推广实证研究[J].图书馆论坛，2018，38（1）：86-91.

[13]明均仁，周知，陈雪.阅读推广推荐书目的自动生成研究[J].图书馆论坛，2017，37（10）：94-99，113.

[14]王顺箐.以用户画像构建智慧阅读推荐系统[J].图书馆学研究，2018（4）：92-96.

[15]丘瑜.移动互联网时代网络图书推荐模式比较研究[J].图书馆学刊，2015，37（11）：128-131.

收稿日期：2021-07-28

作者简介：赵衍（1978—），男，博士，副教授，上海外国语大学信息技术中心。研究方向：文本挖掘;杨喆涵，男，上海外国语大学国际工商管理学院技术经济及管理专业，2019级硕士研究生。研究方向：信息管理与数字营销。