Подход к построению рекомендательной системы для библиотек

  • Yulia Viktorovna Leonova Федеральный исследовательский центр информационных и вычислительных технологий http://orcid.org/0009-0008-1706-5237
  • Oleg Sergeevich Kolobov Федеральный исследовательский центр информационных и вычислительных технологий http://orcid.org/0000-0002-7697-7681
  • Anna Anatolyevna Knyazeva Федеральный исследовательский центр информационных и вычислительных технологий http://orcid.org/0000-0002-2538-7278
  • Igor Yuryevich Turchanovsky Федеральный исследовательский центр информационных и вычислительных технологий http://orcid.org/0000-0003-4335-6085

Аннотация

В работе рассмотрена возможность построения гибридной рекомендательной системы для электронного каталога библиотеки в форме рекомендательного сервиса. Были рассмотрены следующие варианты построения рекомендаций: методы коллаборативной фильтрации, рекомендации на основе контента. Полученные результаты использовались при создании рекомендательного сервиса, в котором предлагается задействовать два рекомендательных алгоритма: коллаборативную фильтрацию на основе документов и рекомендации на основе контента. В качестве входных данных для рекомендательной системы используются анонимизированные данные о выполненных заказах (история заказов) и данные электронного каталога библиотеки. Рассмотрен пример построения рекомендательной системы на основе контента.

Сведения об авторах

Yulia Viktorovna Leonova, Федеральный исследовательский центр информационных и вычислительных технологий

научный сотрудник, кандидат технических наук

Oleg Sergeevich Kolobov, Федеральный исследовательский центр информационных и вычислительных технологий

научный сотрудник, кандидат технических наук

Anna Anatolyevna Knyazeva, Федеральный исследовательский центр информационных и вычислительных технологий

научный сотрудник, кандидат технических наук

Igor Yuryevich Turchanovsky, Федеральный исследовательский центр информационных и вычислительных технологий

заместитель директора – директор Томского филиала Института вычислительных технологий Сибирского отделения Российской академии наук, кандидат физико-математических наук

Литература

1. Franke M., Geyer-Schulz A., Neumann A.W. Recommender Services in Scientific Digital Libraries. In: Tsihrintzis G.A., Jain L.C. (eds.) Multimedia Services in Intelligent Environments. Studies in Computational Intelligence. Vol. 120. Berlin, Heidelberg: Springer; 2008. p. 377-417. https://doi.org/10.1007/978-3-540-78502-6_15
2. Smeaton A.F., Callan J. Personalisation and recommender systems in digital libraries. International Journal on Digital Libraries. 2005;5(4):299-308. https://doi.org/10.1007/s00799-004-0100-1
3. Beel J., Gipp B., Langer S., Breitinger C. Research-paper recommender systems: a literature survey. International Journal on Digital Libraries. 2016;17:305-338. https://doi.org/10.1007/s00799-015-0156-0
4. Risch J., Krestel R. What Should I Cite? Cross-Collection Reference Recommendation of Patents and Papers. In: Kamps J., Tsakonas G., Manolopoulos Y., Iliadis L., Karydis I. (eds.) Research and Advanced Technology for Digital Libraries. TPDL 2017. Lecture Notes in Computer Science. Vol. 10450. Cham: Springer; 2017. p. 40-46. https://doi.org/10.1007/978-3-319-67008-9_4
5. Tsuji K., Takizawa N., Sato S., Ikeuchi U., Ikeuchi A., Yoshikane F., Itsumura H. Book Recommendation Based on Library Loan Records and Bibliographic Information. Procedia ‒ Social and Behavioral Sciences. 2014;147:478-486. https://doi.org/10.1016/j.sbspro.2014.07.142
6. Naak A., Hage H., Aïmeur E. A Multi-criteria Collaborative Filtering Approach for Research Paper Recommendation in Papyres. In: Babin G., Kropf P., Weiss M. (eds.) E-Technologies: Innovation in an Open World. MCETECH 2009. Lecture Notes in Business Information Processing. Vol. 26. Berlin, Heidelberg: Springer; 2009. p. 25-39. https://doi.org/10.1007/978-3-642-01187-0_3
7. Fu S., Zhang Y., Seinmin N. On the recommender system for university library. In: Proceedings of the IADIS International Conference e-Learning 2013. Prague, Czech Republic; 2013. p. 215-222. Available at: https://files.eric.ed.gov/fulltext/ED562315.pdf (accessed 19.09.2023).
8. Hu Y., Koren Y., Volinsky C. Collaborative Filtering for Implicit Feedback Datasets. In: 2008 Eighth IEEE International Conference on Data Mining. Pisa, Italy: IEEE Computer Society; 2008. p. 263-272. https://doi.org/10.1109/ICDM.2008.22
9. Pathan A.F., Prakash C. Unsupervised Aspect Extraction Algorithm for opinion mining using topic modeling. Global Transitions Proceedings. 2021;2(2):492-499. https://doi.org/10.1016/j.gltp.2021.08.005
10. Chauhan U., Shah A. Topic Modeling Using Latent Dirichlet allocation: A Survey. ACM Computing Surveys. 2021;54(7):145. https://doi.org/10.1145/3462478
11. Blei D.M., Ng A.Y., Jordan M.I. Latent Dirichlet allocation. Journal of Machine Learning Research. 2003;3(4-5):993-1022. Available at: https://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf (accessed 19.09.2023).
12. Mönnich M., Spiering M. Adding Value to the Library Catalog by Implementing a Recommendation System. D-Lib Magazine. 2008;14(5/6). https://doi.org/10.1045/may2008-monnich
13. Fleder D., Hosanagar K. Blockbuster Culture's Next Rise or Fall: The Impact of Recommender Systems on Sales Diversity. Management Science. 2009;55(5):697-712. https://doi.org/10.1287/mnsc.1080.0974
14. Piryonesi S.M., El-Diraby T.E. Role of Data Analytics in Infrastructure Asset Management: Overcoming Data Size and Quality Problems. Journal of Transportation Engineering, Part B: Pavements. 2020;146(2):04020022. https://doi.org/10.1061/JPEODX.0000175
15. Fareed A., Hassan S., Belhaouari S.B., Halim Z. A collaborative filtering recommendation framework utilizing social networks. Machine Learning with Applications. 2023;14:100495. https://doi.org/10.1016/j.mlwa.2023.100495
16. Jones K.S. A statistical interpretation of term specificity and its application in retrieval. Journal of Documentation. 2004;60(5):493-502. https://doi.org/10.1108/eb026526
17. Qaiser S., Ali R. Text Mining: Use of TF-IDF to Examine the Relevance of Words to Documents. International Journal of Computer Applications. 2018;181(1):25-29. Available at: https://www.ijcaonline.org/archives/volume181/number1/qaiser-2018-ijca-917395.pdf (accessed 19.09.2023).
18. Azzopardi L., Girolami M., van Risjbergen K. Investigating the relationship between language model perplexity and IR precision-recall measures. In: Proceedings of the 26th annual international ACM SIGIR conference on Research and development in information retrieval (SIGIR '03). New York, NY, USA: Association for Computing Machinery; 2003. p. 369-370. https://doi.org/10.1145/860435.860505
19. Rüdiger M., Antons D., Joshi A.M., Salge T.-O. Topic modeling revisited: New evidence on algorithm performance and quality metrics. PLoS ONE. 2022;17(4):e0266325. https://doi.org/10.1371/journal.pone.0266325
20. O Callaghan D., Greene D., Carthy J., Cunningham P. An analysis of the coherence of descriptors in topic modeling. Expert Systems with Applications. 2015;42(13):5645-5657. https://doi.org/10.1016/j.eswa.2015.02.055
21. Bicalho P., Pita M., Pedrosa G., Lacerda A., Pappa G.L. A general framework to expand short text for topic modeling. Information Sciences. 2017;393:66-81. https://doi.org/10.1016/j.ins.2017.02.007
22. Khamis I. The Use of Machine Learning in Libraries: How to Build a Book Recommender System. In: Holland B. (ed.) Handbook of Research on Advancements of Contactless Technology and Service Innovation in Library and Information Science. IGI Global; 2023. p. 23-44. https://doi.org/10.4018/978-1-6684-7693-2.ch002
23. Thorndike R.L. Who belongs in the family? Psychometrika. 1953;(18):267-276. https://doi.org/10.1007/BF02289263
24. Hahsler M. Recommenderlab: Lab for Developing and Testing Recommender Algorithms. arXiv:2205.12371. 2022. https://doi.org/10.48550/arXiv.2205.12371
25. Ning X., Karypis G. SLIM: Sparse Linear Methods for Top-N Recommender Systems. In: 2011 IEEE 11th International Conference on Data Mining. Vancouver, BC, Canada: IEEE Computer Society; 2011. p. 497-506. https://doi.org/10.1109/ICDM.2011.134
Опубликована
2023-10-15
Как цитировать
LEONOVA, Yulia Viktorovna et al. Подход к построению рекомендательной системы для библиотек. Современные информационные технологии и ИТ-образование, [S.l.], v. 19, n. 3, p. 676-683, oct. 2023. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/1001>. Дата доступа: 14 dec. 2024 doi: https://doi.org/10.25559/SITITO.019.202303.676-683.
Раздел
Исследования и разработки в области новых ИТ и их приложений